النماذج التجميعية وتنوع الخطأ

import numpy as np
members = np.array([[0, 1, 1, 0], [1, 1, 0, 0], [0, 1, 1, 1]])
vote_fraction = members.mean(axis=0)
prediction = vote_fraction > 0.5
print(np.round(vote_fraction, 3).tolist())
print(prediction.astype(int).tolist())

[0.333, 1.0, 0.667, 0.333]
[0, 1, 1, 0]

يتجنب الثلاثة التعادل ويصف الكسر اتفاقا لا احتمالا معايرا.

import numpy as np
y = np.array([1.0, 3.0, 5.0])
initial = np.full(y.shape, y.mean())
weak_correction = np.array([-1.0, 0.0, 1.0])
updated = initial + 0.5 * weak_correction
print(f"initial fixture MSE={np.mean((y - initial) ** 2):.3f}")
print(f"updated fixture MSE={np.mean((y - updated) ** 2):.3f}")

initial fixture MSE=2.667
updated fixture MSE=1.500

يقلل التصحيح المعطى خسارة العينة ولا يثبت مجتمعا غير مرئي أو متعلما آليا.