Встречается на собеседованиях • сегодня
Насколько сильно позволяет ансамблирование снизить дисперсию
Ансамблирование (например, бэггинг, случайный лес) эффективно снижает дисперсию модели за счёт усреднения предсказаний множества слабых моделей. Основной принцип: независимые ошибки отдельных моделей компенсируют друг друга при агрегации.
Пример с бэггингом (sklearn):
python
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
base_model = DecisionTreeClassifier()
ensemble = BaggingClassifier(base_model, n_estimators=100, random_state=42)
ensemble.fit(X_train, y_train) # Дисперсия ошибки будет ниже, чем у одного дерева
text
**Ограничения:**
- Ансамбли не помогают, если базовые модели имеют высокое смещение (bias).
- Эффективность зависит от разнообразия моделей (корреляция ошибок должна быть низкой).
- Случайный лес дополнительно снижает дисперсию за счёт случайного выбора признаков.
В идеале дисперсия уменьшается пропорционально √n (n — число моделей), но на практике есть насыщение.
Софи собрала все вопросы. Тренируйся и получай
офферы быстрее!
офферы быстрее!
Попробовать бесплатно
Следующий вопрос
Это единственный вопрос по вашему фильтру
как отвечать на вопрос
пример собеседования
фреймворки на собеседовании
типичные вопросы junior
интервью вопросы и ответы