가중 다수 알고리즘(기계 학습)

기계학습에서 WMA(Weighted Majority Algorithm)는 예측 알고리즘 풀에서 복합 알고리즘을 구성하기 위해 사용되는 메타학습 알고리즘으로, 모든 유형의 학습 알고리즘, 분류자 또는 실제 인간 ^[1][2]전문가일 수 있습니다.알고리즘은 풀 내의 알고리즘의 정밀도에 대한 사전 지식이 없다고 가정하지만 1개 또는 여러 개의 알고리즘이 정상적으로 동작할 것이라고 믿을 만한 충분한 이유가 있습니다.

이 문제가 바이너리 결정 문제라고 가정합니다.복합 알고리즘을 구축하기 위해 풀 내의 각 알고리즘에 양의 가중치가 부여됩니다.복합 알고리즘은 풀 내의 모든 알고리즘에서 가중치를 부여받은 표를 수집하여 더 높은 표를 얻을 수 있는 예측을 제공합니다.복합 알고리즘이 실수할 경우, 잘못된 예측에 기여한 풀의 알고리즘은 0<β<1인 특정 비율 β만큼 할인된다.

$알고리즘{\displaystyle \mathbf{}}$ 풀에서 주어진 일련의 예측에서 실수 횟수에 대한 상한이 있음을 보여줄$$수 $있다.$ \$displaystyle$\mathbf$$ {$A} }$

${\displaystyle \mathbf {O(log A + m)}$

x ${\displaystyle {}_{}}$ ${\displaystyle$ \$mathbf$ {$x} _{i}}$의 알고리즘 중 하나가 $최대{\displaystyle \mathbf{}}$m개의 \$displaystyle \mathbf {m}$개의$$오류를 범하는 경우.

가중치 과반수 알고리즘에는 다양한 상황(타깃 이동, 무한 풀 또는 랜덤 예측 등)을 처리하기 위한 다양한 종류가 있습니다.코어 메커니즘은 유사한 상태로 유지되며 복합 알고리즘의 최종 성능은 풀에서 전문가(최고의 성능 알고리즘)의 성능 함수에 의해 제한된다.

「 」를 참조해 주세요.

• 랜덤화 가중치 다수 알고리즘

레퍼런스