O que é um conjunto?

No aprendizado de máquina, um método conjunto é um tipo de algoritmo de aprendizado supervisionado que usa um grupo de modelos básicos para fazer previsões. A ideia por trás dos métodos de conjunto é que, ao combinar as previsões de vários modelos, podemos melhorar o desempenho geral do modelo.

Existem diferentes tipos de métodos de conjunto, incluindo:

- Bagging (agregação Bootstrap): Bagging é um método conjunto que cria várias amostras inicializadas a partir dos dados de treinamento. Cada amostra inicializada é usada para treinar um modelo base, e as previsões dos modelos base são então calculadas para fazer a previsão final.


- Boost (Boost Adaptativo): Boosting é um método conjunto que treina modelos básicos sequencialmente. Cada modelo base é treinado nos mesmos dados de treinamento, mas os dados são reponderados após o treinamento de cada modelo. Os pontos de dados classificados incorretamente pelo modelo anterior recebem um peso maior, de modo que os modelos subsequentes se concentrem nesses pontos de dados.


- Florestas Aleatórias: Florestas aleatórias são um método conjunto que constrói um conjunto de árvores de decisão. Cada árvore de decisão é treinada em um subconjunto diferente de dados de treinamento, e a previsão final é feita por maioria de votos ou pela média das previsões das árvores de decisão individuais.


Os métodos de conjunto são frequentemente mais precisos do que os modelos únicos, pois podem ajudar a reduzir a variância e o viés do modelo. Eles também podem ser usados ​​para melhorar a robustez do modelo, pois podem ajudar a evitar que o modelo se ajuste demais aos dados de treinamento.