Просмотр кода страницы Ансамблевое обучение

{{Другие значения термина|Ансамбль}}
'''Ансамблевое обучение''' — техника [[Машинное обучение|машинного обучения]], использующая несколько обученных алгоритмов с целью получения лучшей {{не переведено 5|Предсказательная эффективность|предсказательной эффективности||predictive inference}}, чем можно было бы получить от каждого алгоритма по отдельности{{sfn|Opitz, Maclin|1999|с=169—198}}{{sfn|Polikar|2006|с=21—45}}{{sfn|Rokach|2010|с=1—39}}.
В отличие от [[Статистический ансамбль|статистического ансамбля]] в статистической механике, который обычно бесконечен, ансамбль моделей в машинном обучении состоит из конкретного конечного множества альтернативных моделей, но обычно позволяет существовать гораздо более гибким структурам.

Алгоритмы [[Обучение с учителем|обучения с учителем]] наиболее часто описываются как решение задачи поиска в пространстве гипотез подходящей гипотезы — позволяющей делать хорошие предсказания для конкретной задачи. Но поиск хорошей гипотезы может оказаться трудной задачей. Ансамбль использует комбинацию нескольких гипотез в надежде, что она окажется лучше, чем гипотезы по отдельности. Термин «ансамбль» обычно резервируется для методов, которые генерируют несколько гипотез с помощью одного и того же базового учителя{{Что}}. Более широкое понятие ''системы множественных классификаторов'' также использует несколько гипотез, но сгенерированных не с помощью одного и того же учителя{{Нет АИ|20|5|2022}}.

Вычисление предсказания ансамбля обычно требует больше вычислений, чем предсказание одной модели, так что ансамбли можно рассматривать как способ компенсации плохого алгоритма обучения путём дополнительных вычислений. В ансамбле моделей обычно используются быстрые алгоритмы, такие как {{не переведено 5|Обучение на основе деревьев решений|деревья решений||decision tree learning}} (например, [[random forest|случайные леса]]), хотя медленные алгоритмы могут получить также преимущества от техники сборки в ансамбль.

По аналогии, техника сборки в ансамбль используется также и в сценариях [[Обучение без учителя|обучения без учителя]], например, в {{не переведено 5|Кластеризация на основе согласия|кластеризации на основе согласия||consensus clustering}} или в [[выявление аномалий|выявлении аномалий]].

== Теория сборки в ансамбль ==
Ансамбль сам по себе является алгоритмом обучения с учителем, поскольку он может быть тренирован и затем использован для осуществления предсказания. Тренированный ансамбль, поэтому, представляет одну гипотезу. Эта гипотеза, однако, не обязательно лежит в пространстве гипотез моделей, из которых она построена. Таким образом, ансамбли могут иметь большую гибкость в функциях, которые они могут представлять. Эта гибкость может, в теории, быстрее привести их к [[Переобучение|переобучению]] по тренировочным данным, чем могло быть в случае отдельной модели, но, на практике, некоторые техники сборки в ансамбль (особенно [[бэггинг]]) склонны уменьшить проблемы, связанные с переобучением на тренировочных данных.

Эмпирически ансамбли склонны давать результаты лучше, если имеется существенное отличие моделей{{sfn|Kuncheva, Whitaker|2003|с=181—207}}{{sfn|Sollich, Krogh|1996|с=190—196, 1996}}. Многие ансамбли поэтому стараются повысить различие в моделях, которые они комбинируют{{sfn|Brown, Wyatt, Harris, Yao|2005|с=5—20}}{{sfn|Adeva, Cerviño, Calvo|2005|см=1-12}}. Хотя, возможно, неинтуитивные, более случайные алгоритмы (подобные случайным деревьям решений) могут быть использованы для получения более строгих ансамблей, чем продуманные алгоритмы (такие как деревья решений с уменьшением энтропии){{sfn|Ho|1995|с=278—282}}. Использование различных алгоритмов строгого обучения, однако, как было показано, более эффективно, чем использование техник, которые пытаются ''упростить'' модели с целью обеспечить большее различие{{sfn|Gashler, Giraud-Carrier, Martinez|2008|с=900—905}}.

== Размер ансамбля ==
В то время как число классификаторов в ансамбле имеют большое влияние на точность предсказания, имеется лишь ограниченное число статей, изучающих эту проблему. Определение ''[[априори]]'' размера ансамбля и размеров скорости больших потоков данных делает этот фактор даже более критичным для онлайновых ансамблей классификаторов. Большинство статистических тестов были использованы для определения подходящего числа компонент. Относительно недавно теоретический фреймворк дал повод предположить, что имеется идеальное число классификаторов ансамбля, такое, что число классификаторов больше или меньше этого идеального числа приводит к ухудшению точности. Это называется «законом убывания отдачи в построении ансамбля». Этот теоретический фреймворк показывает, что использование числа независимых классификаторов, равного числу меток класса, даёт наибольшую точность{{sfn|Bonab, Can|2016|с=2053}}{{sfn|Bonab, Can|2017}}.

== Часто используемые типы ансамблей ==

=== Байесовский оптимальный классификатор ===
Байесовский оптимальный классификатор — это техника классификации. Он является ансамблем всех гипотез из пространства гипотез. В среднем ни один из ансамблей не может превосходить его{{sfn|Mitchell|1997|с=175}}. Простой байесовский оптимальный классификатор — это версия, которая предполагает, что данные условно независимы от класса, и выполняет вычисления за более реальное время. Каждой гипотезе даётся голос, пропорциональный вероятности того, что тренировочные данные будут выбраны из системы, если гипотеза была бы верна. Для получения тренировочных данных конечного размера голос каждой гипотезы умножается на априорную вероятность такой гипотезы. Байесовский оптимальный классификатор можно выразить следующим равенством:

: <math>y=\underset{c_j \in C}{\mathrm{argmax}} \sum_{h_i \in H}{P(c_j|h_i)P(T|h_i)P(h_i)}</math>,

где <math>y</math> предсказанный класс, <math>C</math> является множеством всех возможных классов, <math>H</math> является классом гипотез, <math>P</math> относится к ''вероятности'', а <math>T</math> является тренировочными данными. Как ансамбль байесовский оптимальный классификатор представляет гипотезу, которая не обязательно принадлежит в <math>H</math>. Гипотеза, представленная байесовским оптимальным классификатором, однако, является оптимальной гипотезой в ''пространстве ансамблей'' (пространство всех возможных ансамблей, состоящих только из гипотез пространства <math>H</math>).

Формулу можно переписать с помощью [[Теорема Байеса|теоремы Байеса]], которая гласит, что постериорная вероятность пропорциональна априорной вероятности:

: <math>P(h_i|T) \propto P(T|h_i)P(h_i)</math>

откуда

: <math>y=\underset{c_j \in C}{\mathrm{argmax}} \sum_{h_i \in H}{P(c_j|h_i)P(h_i|T)}</math>

=== Бэггинг ===
{{Основная статья|Бэггинг}}
Бутстрэп-агрегирование, часто сокращаемое до ''бэггинг'', даёт каждой модели в ансамбле одинаковый вес (голос). Чтобы поддерживать вариантность, бэггинг тренирует каждую модель в ансамбле с помощью случайно отобранного подмножества из тренировочного множества. Как пример, алгоритм «[[random forest|случайного леса]]» комбинирует случайные деревья решений с бэггингом, чтобы получить высокую точность классификации{{sfn|Breiman|1996|с=123—140}}.

=== Бустинг ===
{{Основная статья|Бустинг}}
Бустинг строит ансамбль последовательными приращениями путём тренировки каждой новой модели, чтобы выделить тренировочные экземпляры, которые предыдущие модели классифицировали ошибочно. В некоторых случаях бустинг, как было показано, даёт лучшие результаты, чем бэггинг, но имеет тенденцию к переобучению на тренировочных данных. Наиболее частой реализацией бустинга является алгоритм [[AdaBoost]], хотя есть утверждения, что некоторые более новые алгоритмы дают лучшие результаты.

=== Усреднение байесовских параметров ===
Усреднение байесовских параметров ({{lang-en|Bayesian parameter averaging}}, BPA) — это техника сборки ансамбля, которая пытается аппроксимировать байесовский оптимальный классификатор путём семплинга из пространства гипотез и комбинирования их с помощью закона Байеса{{sfn|Hoeting, Madigan, Raftery, Volinsky|1999|с=382–401}}. В отличие от байесовского оптимального классификатора, байесовская модель усреднения может быть практически реализована. Гипотезы обычно отбираются с помощью техники [[Метод Монте-Карло|Монте-Карло]], такой как {{не переведено 5|Анализ Монте-Карло с использованием цепей Маркова|MCMC||Markov chain Monte Carlo}}. Например, может быть использовано [[семплирование по Гиббсу]] для выборки гипотез, которые представляют распределение <math>P(T|H)</math>. Было показано, что при некоторых обстоятельствах, если гипотезы выбираются таким образом и усредняются согласно закону Байеса, эта техника имеет ожидаемую ошибку, которая ограничена удвоенной ожидаемой ошибки байесовского оптимального классификатора{{sfn|Haussler,  Kearns, Schapire|1994|с=83–113}}. Несмотря на теоретическую корректность этой техники, в ранних работах на основе экспериментальных данных было высказано предположение, что метод склонен к переобучению и ведёт себя хуже, чем простые техники сборки ансамбля, такие как бэггинг{{sfn|Domingos|2000|с=223–-230}}. Однако эти заключения были основаны на недопонимании цели байесовской модели усреднения для комбинации моделей{{sfn|Minka|2002}}. Кроме того, есть существенные преимущества в теории и практике БМУ. Недавние строгие доказательства показывают точность БМУ для выбора переменных и оценке при многомерных условиях{{sfn|Castillo, Schmidt-Hieber, van der Vaart|2015|с=1986–2018}} и дают эмпирическое свидетельство существенной роли обеспечения разреженности в БМУ в смягчении переобучения{{sfn|Hernández-Lobato, Hernández-Lobato, Dupont|2013|с=1891–1945}}.

=== Комбинация байесовских моделей ===
Комбинация байесовских моделей (КБМ, {{lang-en|Bayesian model combination}}, BMC) — это алгоритмическое исправление байесовской модели усреднения (БМУ, {{lang-en|Bayesian model averaging}}, BMA). Вместо выбора каждой модели в ансамбль индивидуально, алгоритм отбирает из пространства возможных ансамблей (с весами моделей, выбранных случайно из распределения Дирихле с однородными параметрами). Эта модификация позволяет избежать тенденцию БМУ отдать полный вес одной модели. Хотя КБМ вычислительно несколько более расточителен по сравнению с БМУ, он даёт существенно лучшие результаты. Результаты КБМ, как было показано, в среднем лучше, чем БМУ и бэггинг{{sfn|Monteith, Carroll, Seppi, Martinez|2011|с=2657—2663}}.

Использование закона Байеса для вычисления весов модели неизбежно влечёт вычисление вероятности данных для каждой модели. Обычно ни одна из моделей в ансамбле не имеет точно такое же распределение, что и тренировочные данные, из которых они сгенерированы, так что все члены корректно получают значение, близкое к нулю. Это хорошо бы работало, если бы ансамбль был достаточно большим для выборки из полного пространства моделей, но такое редко случается возможным. Следовательно, каждый представитель тренировочного набора вызывает вес ансамбля сдвигаться к модели в ансамбле, которая наиболее близка к распределению тренировочных данных. Это существенно уменьшает необходимость чрезмерно сложного метода выбора модели.

Возможные веса для ансамбля можно представить как лежащие на симплексе. На каждой вершине симплекса все веса задаются отдельной моделью ансамбля. БМУ сходится к вершине, которая ближе по распределению с тренировочными данными. Для контраста, КБМ сходится к точке, где это распределение проектируется в симплекс. Другими словами, вместо выбора одной модели, которая ближе всего к распределению, метод ищет комбинацию моделей, наиболее близкой к распределению.

Результаты БМУ можно часто аппроксимировать с помощью перекрёстной проверки для выбора модели из ведра моделей. Аналогично, результаты КБМ можно аппроксимировать с помощью перекрёстной проверки для выбора лучшей комбинации ансамблей из случайной выборки возможных весов.

=== Ведро моделей ===
«Ведро моделей» ({{lang-en|bucket of models}}) является техникой сбора ансамбля, в которой используется алгоритм выбора модели для получения лучшей модели для каждой задачи. Когда тестируется только одна задача, ведро моделей не может дать результат лучше, чем лучшая модель в наборе, однако в случае прогона для нескольких задач, алгоритм обычно даёт более хорошие результаты, чем любая модель в наборе.

Наиболее частый подход, используемый для выбора модели,— это [[Перекрёстная проверка|перекрёстная]] выборка. Он описывается следующим псевдокодом:

 Для каждой модели в ведре:
   Выполнить c раз: (где 'c' — некоторая константа)
     Случайным образом делим тренировочные данные на два набора: A и B.
     Тренируем m по A
     Проверяем m по B
 Выбираем модель, которая покажет высший средний результат

Перекрёстная выборка может быть описана как: «прогони все на тренировочном множестве и выбери тот, что работает лучше»{{sfn|Dzeroski, Zenko|2004|с=255—273}}.

Выделение ({{lang-en|Gating}}) является обобщением перекрёстной выборки. Метод вовлекает тренировку другой модели обучения для решения, какая из моделей в ведре больше подходит для решения задачи. Часто для выделения модели используется [[перцептрон]]. Он может быть использован для выбора «лучшей» модели, или он может быть использован для получения линейного веса для предсказаний из каждой модели в ведре.

Когда ведро моделей используется с большим набором задач, может быть желательным избежать тренировки некоторых моделей, которые требуют долгого времени тренировки. Ландмарк-обучение — это метаобучающий подход, который ищет решение этой задачи. Он вовлекает для тренировки только быстрые (но неточные) алгоритмы, а затем используется эффективность этих алгоритмов для определения, какой из медленных (но точных) алгоритмов выбрать как лучший{{sfn|Bensusan, Giraud-Carrier|2000|с=325—330}}.

=== Стогование ===
Стогование (иногда называемое ''стековое обобщение'') вовлекает тренировку обучающего алгоритма для комбинирования предсказаний нескольких других обучающих алгоритмов. Сначала все другие алгоритмы тренируются с помощью допустимых данных, затем алгоритмы комбинирования тренируются с целью сделать конечное предсказание с помощью всех предсказаний других алгоритмов как дополнительный вход. Если используется произвольный алгоритм комбинирования, то стогование может теоретически представлять любую технику создания ансамблей, описанную в этой статье, хотя, на практике, модель [[Логистическая регрессия|логистической регрессии]] часто используется в качестве средства алгоритма комбинирования.

Стогование обычно даёт лучшую эффективность, чем любая отдельная из тренировочных моделей{{sfn|Wolpert|1992|с=241—259}}. Оно было успешно использовано как в задачах обучения с учителем (регрессии{{sfn|Breiman|1996}}, классификации и дистанционного обучения{{sfn|Ozay, Vural|2013}}), так и задачах обучения без учителя (оценка плотности){{sfn|Smyth, Wolpert|1999|с=59—83}}. Он использовался также для оценки ошибки бэггинга{{sfn|Rokach|2010|с=1—39}}{{sfn|Wolpert, Macready|1999|с=41—55}}. Утверждалось, что метод превзошёл байесовскую модель усреднения{{sfn|Clarke|2003|с=683—712}}.
Два призёра [[Netflix Prize|конкурса Netflix]] используют ''смешивание'', которое можно считать формой стогования{{sfn|Sill, Takacs, Mackey, Lin|2009}}.

== Реализация в статистических пакетах ==
* [[R (язык программирования)|R]]: по мешьшей мере три пакета предлагают средства для байесовской модели усреднения{{sfn|Amini, Parmeter|2011|с=253–287}}, включая пакет <tt>BMS</tt> (сокращение от Bayesian Model Selection)<ref>{{cite web|title=BMS: Bayesian Model Averaging Library|work=The Comprehensive R Archive Network|url=https://cran.r-project.org/web/packages/BMS/index.html|accessdate=2016-09-09|archive-date=2020-11-28|archive-url=https://web.archive.org/web/20201128112749/https://cran.r-project.org/web/packages/BMS/index.html|deadlink=no}}</ref>, пакет <tt>BAS</tt> (сокращение от Bayesian Adaptive Sampling)<ref>{{cite web|title=BAS: Bayesian Model Averaging using Bayesian Adaptive Sampling|work=The Comprehensive R Archive Network|url=https://cran.r-project.org/web/packages/BAS/index.html|accessdate=2016-09-09|archive-date=2020-10-07|archive-url=https://web.archive.org/web/20201007160436/https://cran.r-project.org/web/packages/BAS/index.html|deadlink=no}}</ref> и пакет <tt>BMA</tt><ref>{{cite web|title=BMA: Bayesian Model Averaging|work=The Comprehensive R Archive Network|url=https://cran.r-project.org/web/packages/BMA/index.html|accessdate=2016-09-09|archive-date=2021-05-07|archive-url=https://web.archive.org/web/20210507035034/https://cran.r-project.org/web/packages/BMA/index.html|deadlink=no}}</ref>. [https://www.h2o.ai/download/ Пакет H2O] предлагает большое число моделей обучении машин, включая модель сборки ансамбля, которая может быть тренирована с помощью [[Apache Spark|Spark]].
* [[Python]]: [[Scikit-learn]], пакет для машинного обучения на языке Python, предлагает пакеты для обучения ансамблей, включая пакеты для бэггинга и методов усреднения.
* [[MATLAB]]: ансамбли классификаторов реализованы в наборе средств Statistics и Machine Learning<ref>{{cite web|title=Classification Ensembles|url=https://uk.mathworks.com/help/stats/classification-ensembles.html|work=MATLAB & Simulink|accessdate=2017-06-08|archive-date=2020-12-01|archive-url=https://web.archive.org/web/20201201124509/https://uk.mathworks.com/help/stats/classification-ensembles.html|deadlink=no}}</ref>.

== Приложения обучения с помощью ансамблей ==
В недавние годы, вследствие растущей вычислительной мощности, позволяющей тренировку больших тренировочных обучающих ансамблей в разумное время, число приложений росло всё быстрее{{sfn|Woźniak, Graña, Corchado|2014|с=3–17}}. Некоторые из приложений ансамблей классификаторов приведены ниже.

=== Дистанционное зондирование Земли ===
{{Основная статья|Дистанционное зондирование Земли}}

==== Отражение растительного покрова ====
{{не переведено 5|Анализ изображений|Отражение растительного покрова||Image_analysis}} является одним из главных приложений {{не переведено 5|Спутники наблюдения за Землёй|наблюдения за Землёй||Earth observation satellite}}, использующим [[Дистанционное зондирование Земли|дистанционное зондирование]] и {{не переведено 5|географические данные|||geospatial data}} для распознавания объектов, которые расположены на поверхности целевых областей. Как правило, классы целевого материала включают дороги, здания, реки, озёра и растительность{{sfn|Rodriguez-Galiano, Ghimire, Rogan и др.|2012|с=93–104}}. Были предложены некоторые различные подходы обучения ансамблей, базирующихся на [[Искусственная нейронная сеть|искусственных нейронных сетях]]{{sfn|Giacinto, Roli|2001|с=699–707}}, {{не переведено 5|Ядерный метод главных компонент|ядерном методе главных компонент||kernel principal component analysis}} ({{lang-en|kernel principal component analysis}}, KPCA){{sfn|Xia, Yokoya, Iwasaki|2017|с=6185—6189}}, [[Дерево решений|деревьях решений]] с [[Бустинг (машинное обучение)|бустингом]]{{sfn|Mochizuki, Murakami|2012|с=126—133}}, [[random forest|случайных лесах]]{{sfn|Rodriguez-Galiano, Ghimire, Rogan и др.|2012|с=93–104}} и автоматическом создании нескольких систем классификаторов{{sfn|Giacinto, Roli, Fumera|2000|с=160—163}}, для эффективного распознавания объектов [[Растительный покров|растительного покрова]].

==== Обнаружение изменений ====
{{не переведено 5|Обнаружение изменений (GIS)|Обнаружение изменений||Change detection (GIS)}} является задачей {{не переведено 5|Анализ изображений|анализа изображений||image analysis}}, заключающейся в идентификации мест, где [[растительный покров]] изменился с течением времени. {{не переведено 5|Обнаружение изменений (GIS)|Обнаружение изменений||Change detection (GIS)}} широко используется в таких областях, как {{не переведено 5|рост городов|||urban growth}}, {{не переведено 5|Динамика изменений в лесах|динамика изменений в лесах и растительности||Forest dynamics}}, [[землепользование]] и {{не переведено 5|Спутниковая группировка наблюдения стихийных бедствий|обнаружение стихийных бедствий||Disaster Monitoring Constellation}}{{sfn|Du, Liu, Xia, Zhao|2013|с=19–27}}.
Ранние приложения ансамблей классификаторов в определении изменений разрабатывались с помощью {{не переведено 5|Мажоритарное правило|голосования большинством голосов||majority voting}}, {{не переведено 5|Байесовское среднее|байесовского среднего||Bayesian average}} и [[Оценка апостериорного максимума|оценки апостериорного максимума]]{{sfn|Bruzzone, Cossu, Vernazza|2002|с=289–297}}.

=== Защита компьютера ===

==== DoS-атака ====
[[DoS-атака|Распределенная атака типа отказа в обслуживании]] является одной и самых угрожающих [[Атака на информационную систему|кибератак]], которая может случаться с [[интернет-провайдер]]ом{{sfn|Woźniak, Graña, Corchado|2014|с=3–17}}. Путём комбинирования выхода отдельных классификаторов ансамбль классификаторов снижает общую ошибку детектирования и отделения таких атак от законных [[Слешдот-эффект|флешмобов]]{{sfn|Raj Kumar, Selvakumar|2011|с=1328–1341}}.

==== Обнаружение вредоносных программ ====
Классификация кодов [[Вредоносная программа|вредоносных программ]], таких как [[Компьютерный вирус|компьютерные вирусы]], [[Сетевой червь|сетевые черви]], [[Троянский конь|трояны]], [[Вирус-вымогатель|вирусы-вымогатели]] и [[spyware|программы-шпионы]], с помощью техник машинного обучения, навеяна задачей [[Классификация документов|категоризации документов]]{{sfn|Shabtai, Moskovitch, Elovici, Glezer|2009|с=16–29}}. Системы обучения ансамблей показали надёжную эффективность в этой области{{sfn|Zhang, Yin, Hao, Zhang, Wang|2007|с=468—477}}{{sfn|Menahem, Shabtai, Rokach, Elovici|2009|с=1483–1494}}.

==== Обнаружение вторжения ====
[[Система обнаружения вторжений]] отслеживает для идентификации кодов вторжения [[Вычислительная сеть|компьютерную сеть]] или [[компьютер]]ы подобно процессу [[Выявление аномалий|выявления аномалий]]. Обучение ансамблей успешно помогает таким системам сокращать общее число ошибок{{sfn|Locasto, Wang, Keromytis, Salvatore|2005|с=82—101}}{{sfn|Giacinto, Perdisci, Del Rio, Roli|2008|с=69–82}}.

=== Распознавание лиц ===
{{Основная статья|Распознавание лиц}}

[[Распознавание лиц]], которое недавно стало наиболее популярной областью исследований в [[Теория распознавания образов|распознавания образов]], справляется с идентификацией или верификацией личности по его/её [[Цифровое изображение|цифровому изображению]]{{sfn|Mu, Lu, Watta, Hassoun|2009}}.

Иерархические ансамбли, основанные на классификаторе Габора Фишера и техниках [[Предварительная обработка данных|предварительной обработки данных]] при {{не переведено 5|Анализ независимых компонентов|анализе независимых компонентов||Independent component analysis}}, являются некоторыми ранними ансамблями, используемыми в этой области{{sfn|Yu, Shan, Chen, Gao|2006|с=91—96}}{{sfn|Yu, Shan, Chen, Gao|2006|с=528—531}}{{sfn|Liu, Lin, Chen|2008|с=144—148}}.

=== Распознавание эмоций ===
{{Основная статья|Распознавание эмоций}}
В то время как [[распознавание речи]] главным образом основывается на [[Глубокое обучение|глубоком обучении]], поскольку большинство индустриальных игроков в этой области, такие как [[Google (компания)|Google]], [[Microsoft]] и [[IBM]], используют его в качестве основы технологии [[Распознавание речи|распознавания речи]], основанное на разговоре {{не переведено 5|распознавание эмоций|||emotion recognition}} может иметь удовлетворительные показатели с обучением ансамбля{{sfn|Rieger, Muraleedharan, Ramachandran|2014|с=589—593}}{{sfn|Krajewski, Batliner, Kessel|2010|с=3716—3719}}.

Метод также успешно использовался в [[Распознавание эмоций|распознавании эмоций]] на лице{{sfn|Rani, Muneeswaran|2016|с=10017–10040}}{{sfn|Rani, Muneeswaran|2016|с=1655020}}{{sfn|Rani, Muneeswaran|2018}}.

=== Выявление мошенничества ===
{{Основная статья|Мошенничество}}

[[Мошенничество|Выявление мошенничества]] имеет дело с идентификацией {{не переведено 5|Банковское мошенничество|банковского мошенничества||bank fraud}}, такого как [[отмывание денег]], [[Кардинг|мошенничество с платежными картами]] и телекоммуникационное мошенничество. Выявление мошенничества имеет широкие возможности для исследования и применения машинного обучения. Поскольку обучение ансамбля улучшает устойчивость нормального поведения моделирования, оно было предложено в качестве эффективной техники определения таких случаев мошенничества и подозрительной активности в банковских операциях в системах кредитных карт{{sfn|Louzada, Ara|2012|с=11583–11592}}{{sfn|Sundarkumar, Ravi|2015|с=368–377}}.

=== Принятие финансовых решений ===
Точность предсказания коммерческого краха является важнейшим вопросом при принятии финансовых решений, поэтому были предложены различные ансамбли классификаторов для предсказания [[Финансовый кризис|финансовых кризисов]] и {{не переведено 5|Финансовый крах|финансовых крахов||financial distress}}{{sfn|Kim, Sohn|2012|с=8986–8992}}. Также в задаче [[Манипулирование рынком|манипуляции на основе торгов]], где [[трейдер]]ы пытаются манипулировать [[Курс акций|ценами акций]] путём покупки или продажи, ансамблю классификаторов требуется проанализировать изменения в данных на [[Рынок ценных бумаг|рынке ценных бумаг]] и определить симптомы подозрительных [[Манипулирование рынком|манипуляций]] с [[Курс акций|ценами акций]]{{sfn|Kim, Sohn|2012|с=8986–8992}}.

=== Медицина ===
Система классификаторов успешно применена в [[Нейронауки|нейронауках]], [[Протеомика|протеомике]] и [[Медицинская диагностика|медицинской диагностике]], таких как распознавание {{не переведено 5|Нейрокогнитивные функции|нейрокогнитивных расстройств||neurocognitive}} (то есть [[Болезнь Альцгеймера|болезни Альцгеймера]] или {{не переведено 5|Миотоническая дистрофия|миотонической дистрофии||myotonic dystrophy}}) основанного на данных [[Магнитно-резонансная томография|магнитно-резонансной томографии]]{{sfn|Savio, García-Sebastián, Chyzyk и др.|2011|с=600–610}}{{sfn|Ayerdi, Savio, Graña|2013|с=122—130}}{{sfn|Gu, Ding, Zhang|2015|с=110–118}} или классификация цитологии шейки матки на основе микроскопии<ref>{{Статья|ссылка=https://ieeexplore.ieee.org/document/9107128/|автор=Dan Xue, Xiaomin Zhou, Chen Li, Yudong Yao, Md Mamunur Rahaman|заглавие=An Application of Transfer Learning and Ensemble Learning Techniques for Cervical Histopathology Image Classification|год=2020|издание=IEEE Access|том=8|страницы=104603–104618|issn=2169-3536|doi=10.1109/ACCESS.2020.2999816|archivedate=2021-08-31|archiveurl=https://web.archive.org/web/20210831210606/https://ieeexplore.ieee.org/document/9107128/}}</ref><ref>{{Статья|ссылка=http://www.nature.com/articles/s41598-021-93783-8|автор=Ankur Manna, Rohit Kundu, Dmitrii Kaplun, Aleksandr Sinitca, Ram Sarkar|заглавие=A fuzzy rank-based ensemble of CNN models for classification of cervical cytology|год=2021-12|язык=en|издание=Scientific Reports|том=11|выпуск=1|страницы=14538|issn=2045-2322|doi=10.1038/s41598-021-93783-8|archivedate=2021-08-31|archiveurl=https://web.archive.org/web/20210831210752/https://www.nature.com/articles/s41598-021-93783-8}}</ref>.

== См. также ==
* {{не переведено 5|Усреднение ансамбля (машинное обучение)|||Ensemble averaging (machine learning)}}
* {{не переведено 5|Байесовский структурный временной ряд|||Bayesian structural time series}} (BSTS)

== Примечания ==
{{примечания}}

== Литература ==
* {{статья
|автор=Opitz D., Maclin R.
|ref=Opitz, Maclin
|заглавие=Popular ensemble methods: An empirical study
|издание=[[Journal of Artificial Intelligence Research]]
|том=11
|страницы=169—198
|год=1999
|doi=10.1613/jair.614
}}
* {{статья
|автор=Polikar R.
|ref=Polikar
|заглавие=Ensemble based systems in decision making
|издание=IEEE Circuits and Systems Magazine
|том=6
|выпуск=3
|страницы=21—45
|год=2006
|doi=10.1109/MCAS.2006.1688199
}}
* {{статья
|ref=Rokach
|автор=Rokach L.
|заглавие=Ensemble-based classifiers
|издание=Artificial Intelligence Review
|том=33
|выпуск=1—2
|год=2010
|doi=10.1007/s10462-009-9124-7
}}
* {{статья
|автор=Kuncheva L., Whitaker C.
|ref=Kuncheva, Whitaker
|заглавие=Measures of diversity in classifier ensembles and Their Relationship with the Ensemble Accuracy
|издание=Machine Learning
|том=51
|выпуск=2
|год=2003
}}
* {{статья
|автор=Sollich P., Krogh A.
|ref=Sollich, Krogh
|заглавие=Learning with ensembles: How overfitting can be useful
|издание=Advances in Neural Information Processing Systems
|том= 8
|год=1996
}}
* {{статья
|автор=Brown G., Wyatt J., Harris R., Yao X.
|ref=Brown, Wyatt, Harris, Yao
|заглавие=Diversity creation methods: a survey and categorization
|издание=Information Fusion
|том=6
|выпуск=1
|год=2005
}}
* {{статья
|ссылка=http://www.clei.cl/cleiej/papers/v8i2p1.pdf
|заглавие=Accuracy and Diversity in Ensembles of Text Categorisers
|автор=J. J. García Adeva, Ulises Cerviño, R. Calvo
|ref=Adeva, Cerviño, Calvo
|издание=CLEI Journal
|том=8
|выпуск=2
|месяц=December
|год=2005
|archiveurl=https://web.archive.org/web/20110707010133/http://www.clei.cl/cleiej/papers/v8i2p1.pdf
|archivedate=2011-07-07
}}
* {{книга
|автор=Ho T.
|ref=Ho
|часть=Random Decision Forests
|заглавие=Proceedings of the Third International Conference on Document Analysis and Recognition
|год=1995
}}
* {{книга
|автор=Gashler M., Giraud-Carrier C., Martinez T.
|ref=Gashler, Giraud-Carrier, Martinez
|ссылка=http://ieeexplore.ieee.org/search/wrapper.jsp?arnumber=4796917
|часть=Decision Tree Ensemble: Small Heterogeneous Is Better Than Large Homogeneous
|заглавие=The Seventh International Conference on Machine Learning and Applications
|год=2008
|DOI=10.1109/ICMLA.2008.154
}}
* {{книга
|ссылка=http://dl.acm.org/citation.cfm?id=2983907
|часть=A Theoretical Framework on the Ideal Number of Classifiers for Online Ensembles in Data Streams
|автор=Hamed R. Bonab, Fazli Can
|ref=Bonab, Can
|год=2016
|издательство=ACM
|место=USA
|DOI=10.1145/2983323.2983907
|заглавие= 25th Conference on Information and Knowledge Management
}}
* {{книга
|ссылка=https://arxiv.org/pdf/1709.02925.pdf
|часть=Less Is More: A Comprehensive Framework for the Number of Components of Ensemble Classifiers
|автор=Hamed R. Bonab, Fazli Can
|ref=Bonab, Can
|год=2017
|издательство=IEEE
|место=USA
|заглавие= IEEE Transactions on Neural Networks and Learning Systems 2017
}}
* {{книга
|автор=[[Митчелл, Том (учёный)|Tom M. Mitchell]]
|ref=Mitchell
|заглавие=Machine Learning
|год=1997
|издательство=McGraw-Hill Science/Engeneering/Math
|ISBN=0070428077
}}
* {{статья
|автор=Breiman, L.
|ref=Breiman
|заглавие=Bagging Predictors
|издание=Machine Learning
|том=24
|выпуск=2
|год=1996
}}
* {{статья
|автор=Hoeting J. A., Madigan D., Raftery A. E., Volinsky C. T.
|ref=Hoeting, Madigan, Raftery, Volinsky
|заглавие = Bayesian Model Averaging: A Tutorial
|jstor = 2676803
|doi =  10.2307/2676803
|издание = Statistical Science
|том= 14
|выпуск= 4
|год= 1999
}}
* {{статья
|автор=David Haussler, Michael Kearns, Robert E. Schapire
|ref=Haussler, Kearns, Schapire
|заглавие=Bounds on the sample complexity of Bayesian learning using information theory and the VC dimension
|издание=Machine Learning
|том=14
|год=1994
}}
* {{книга
|автор=Pedro Domingos
|ref=Domingos
|часть=Bayesian averaging of classifiers and the overfitting problem
|заглавие=Proceedings of the 17th [[International Conference on Machine Learning|International Conference on Machine Learning (ICML)]]
|страницы=223——230
|год=2000
|ссылка=http://www.cs.washington.edu/homes/pedrod/papers/mlc00b.pdf
}}
* {{статья
|автор=Thomas Minka
|ref=Minka
|заглавие=Bayesian model averaging is not model combination
|год=2002
|ссылка=http://research.microsoft.com/en-us/um/people/minka/papers/minka-bma-isnt-mc.pdf
}}
* {{статья
|автор=Castillo I., Schmidt-Hieber J., van der Vaart A.
|ref=Castillo, Schmidt-Hieber, van der Vaart
|заглавие=Bayesian linear regression with sparse priors
|издание=[[Annals of Statistics]]
|том=43
|выпуск=5
|год=2015
|doi=10.1214/15-AOS1334
|arxiv=1403.0735
}}
* {{статья
|автор=Hernández-Lobato D., Hernández-Lobato J. M., Dupont P.
|ref=Hernández-Lobato, Hernández-Lobato, Dupont
|заглавие=Generalized Spike-and-Slab Priors for Bayesian Group Feature Selection Using Expectation Propagation
|издание=Journal of Machine Learning Research
|том=14
|год=2013
|ссылка=http://www.jmlr.org/papers/volume14/hernandez-lobato13a/hernandez-lobato13a.pdf
}}
* {{книга
|author=Kristine Monteith, James Carroll, Kevin Seppi, Tony Martinez
|ref=Monteith, Carroll, Seppi, Martinez
|ссылка=http://axon.cs.byu.edu/papers/Kristine.ijcnn2011.pdf
|часть=Turning Bayesian Model Averaging into Bayesian Model Combination
|заглавие=Proceedings of the International Joint Conference on Neural Networks IJCNN'11
|год=2011
|страницы=2657—2663
}}
* {{статья
|автор=Saso Dzeroski, Bernard Zenko
|ref=Dzeroski, Zenko
|ссылка=http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.108.6096
|заглавие=Is Combining Classifiers Better than Selecting the Best One
|издание=Machine Learning
|год=2004
}}
* {{книга
|автор=Hilan Bensusan, Christophe G. Giraud-Carrier
|ref=Bensusan, Giraud-Carrier
|часть=Discovering Task Neighbourhoods Through Landmark Learning Performances
|заглавие=PKDD '00: Proceedings of the 4th European Conference on Principles of Data Mining and Knowledge Discovery
|издательство=Springer-Verlag
|год=2000
}}
* {{статья
|автор=Smyth P., Wolpert D. H.
|ref=Smyth, Wolpert
|заглавие=Linearly Combining Density Estimators via Stacking
|издание=Machine Learning Journal
|том=36
|год=1999
}}
* {{статья
|автор=Wolpert D.H., Macready W.G.
|ref=Wolpert, Macready
|заглавие=An Efficient Method to Estimate Bagging’s Generalization Error
|издание=Machine Learning Journal
|том=35
|год=1999
}}
* {{статья
|автор=Clarke B.
|ref=Clarke
|заглавие=Bayes model averaging and stacking when model approximation error cannot be ignored
|издание=Journal of Machine Learning Research
|год=2003
}}
* {{статья
|автор=Wolpert D.
|ref=Wolpert
|заглавие=Stacked Generalization
|издание=Neural Networks
|том=5
|выпуск=2
|год=1992
}}
* {{статья
|автор=Breiman L.
|ref=Breiman
|заглавие=Stacked Regression
|издание=Machine Learning
|том=24
|год=1996
|doi=10.1007/BF00117832
}}
* {{статья
|автор=Ozay M., Yarman Vural F. T.
|ref=Ozay, Vural
|заглавие=A New Fuzzy Stacked Generalization Technique and Analysis of its Performance
|год=2013
|arxiv=1204.0171
|bibcode=2012arXiv1204.0171O
}}
* {{статья
|автор=Sill J., Takacs G., Mackey L., Lin D.
|ref=Sill, Takacs, Mackey, Lin
|заглавие=Feature-Weighted Linear Stacking
|год=2009
|arxiv=0911.0460
|bibcode=2009arXiv0911.0460S
}}
* {{статья
|автор=Shahram M. Amini, Christopher F. Parmeter
|ref=Amini, Parmeter
|заглавие=Bayesian model averaging in R
|издание=Journal of Economic and Social Measurement
|том=36
|выпуск=4
|год=2011
|ссылка=https://core.ac.uk/download/pdf/6494889.pdf
}}
* {{статья
|автор=Michał Woźniak, Manuel Graña, Emilio Corchado
|ref=Woźniak, Graña, Corchado
|заглавие=A survey of multiple classifier systems as hybrid systems
|издание=Information Fusion
|месяц=March
|год=2014
|том=16
|doi=10.1016/j.inffus.2013.04.006
}}
* {{статья
|автор=Rodriguez-Galiano V.F., Ghimire B., Rogan J., Chica-Olmo, M., Rigol-Sanchez J.P.
|ref=Rodriguez-Galiano, Ghimire, Rogan и др.
|заглавие=An assessment of the effectiveness of a random forest classifier for land-cover classification
|издание=ISPRS Journal of Photogrammetry and Remote Sensing
|date=January
|год=2012
|том=67
|doi=10.1016/j.isprsjprs.2011.11.002
|bibcode=2012JPRS...67...93R
}}
* {{статья
|автор=Giorgio Giacinto, Fabio Roli
|ref=Giacinto, Roli
|заглавие=Design of effective neural network ensembles for image classification purposes
|издание=Image and Vision Computing
|месяц=August
|год=2001
|том=19
|выпуск=9—10
|doi=10.1016/S0262-8856(01)00045-2
}}
* {{статья
|автор=Junshi Xia, Naoto Yokoya, Yakira Iwasaki
|ref=Xia, Yokoya, Iwasaki
|заглавие=A novel ensemble classifier of hyperspectral and LiDAR data using morphological features
|издание=2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)
|месяц=March
|год=2017
|doi=10.1109/ICASSP.2017.7953345
}}
* {{статья
|автор=Mochizuki S., Murakami T.
|ref=Mochizuki, Murakami
|заглавие=Accuracy comparison of land cover mapping using the object-oriented image classification with machine learning algorithms
|издание=33rd Asian Conference on Remote Sensing 2012, ACRS 2012
|месяц=November
|год=2012
|том=1
}}
* {{статья
|автор=Giacinto G., Roli F., Fumera G.
|ref=Giacinto, Roli, Fumera
|заглавие=Design of effective multiple classifier systems by clustering of classifiers
|издание=Proceedings 15th International Conference on Pattern Recognition. ICPR-2000
|месяц=September
|год=2000
|doi=10.1109/ICPR.2000.906039
}}
* {{статья
|автор=Peijun Du, Sicong Liu, Junshi Xia, Yindi Zhao
|ref=Du, Liu, Xia, Zhao
|заглавие=Information fusion techniques for change detection from multi-temporal remote sensing images
|издание=Information Fusion
|месяц=January
|год=2013
|том=14
|выпуск=1
|doi=10.1016/j.inffus.2012.05.003
}}
* {{статья
|автор=Lorenzo Bruzzone, Roberto Cossu, Gianni Vernazza
|ref=Bruzzone, Cossu, Vernazza
|заглавие=Combining parametric and non-parametric algorithms for a partially unsupervised classification of multitemporal remote-sensing images
|издание=Information Fusion
|месяц=December
|год=2002
|том=3
|выпуск=4
|doi=10.1016/S1566-2535(02)00091-X
}}
* {{статья
|автор=P. Arun Raj Kumar, S. Selvakumar
|ref=Raj Kumar, Selvakumar
|заглавие=Distributed denial of service attack detection using an ensemble of neural classifier
|издание=Computer Communications
|месяц=July
|год=2011
|том=34
|выпуск=11
|doi=10.1016/j.comcom.2011.01.012
}}
* {{статья
|автор=Asaf Shabtai, Robert Moskovitch, Yuval Elovici, Chanan Glezer
|ref=Shabtai, Moskovitch, Elovici, Glezer
|заглавие=Detection of malicious code by applying machine learning classifiers on static features: A state-of-the-art survey
|издание=Information Security Technical Report
|месяц=February
|год=2009
|том=14
|выпуск=1
|doi=10.1016/j.istr.2009.03.003
}}
* {{статья
|автор=Boyun Zhang, Jianping Yin, Jingbo Hao, Dingxing Zhang, Shulin Wang
|ref=Zhang, Yin, Hao, Zhang, Wang
|заглавие=Malicious Codes Detection Based on Ensemble Learning
|издание=Autonomic and Trusted Computing
|год=2007
|doi=10.1007/978-3-540-73547-2_48
}}
* {{статья
|автор=Eitan Menahem, Asaf Shabtai, Lior Rokach, Yuval Elovici
|ref=Menahem, Shabtai, Rokach, Elovici
|заглавие=Improving malware detection by applying multi-inducer ensemble
|издание=Computational Statistics & Data Analysis
|месяц=February
|год=2009
|том=53
|выпуск=4
|doi=10.1016/j.csda.2008.10.015
}}
* {{статья
|автор=Michael E. Locasto, Ke Wang, Angeles D. Keromytis, J. Stolfo Salvatore
|ref=Locasto, Wang, Keromytis, Salvatore
|заглавие=FLIPS: Hybrid Adaptive Intrusion Prevention
|издание=Recent Advances in Intrusion Detection
|год=2005
|doi=10.1007/11663812_5
}}
* {{статья
|автор=Giorgio Giacinto, Roberto Perdisci, Mauro Del Rio, Fabio Roli
|ref=Giacinto, Perdisci, Del Rio, Roli
|заглавие=Intrusion detection in computer networks by a modular ensemble of one-class classifiers
|издание=Information Fusion
|месяц=January
|год=2008
|том=9
|выпуск=1
|doi=10.1016/j.inffus.2006.10.002
}}
* {{статья
|автор=Xiaoyan Mu, Jiangfeng Lu, Paul Watta, Mohamad H. Hassoun
|ref=Mu, Lu, Watta, Hassoun
|заглавие=Weighted voting-based ensemble classifiers with application to human face recognition and voice recognition
|издание=2009 International Joint Conference on Neural Networks
|месяц=July
|год=2009
|doi=10.1109/IJCNN.2009.5178708
}}
* {{статья
|автор=Su Yu, Shiguang Shan, Xilin Chen, Wen Gao
|ref=Yu, Shan, Chen, Gao
|заглавие=Hierarchical ensemble of Gabor Fisher classifier for face recognition
|издание=Automatic Face and Gesture Recognition, 2006. FGR 2006. 7th International Conference on Automatic Face and Gesture Recognition (FGR06)
|месяц=April
|год=2006
|doi=10.1109/FGR.2006.64
}}
* {{статья
|автор=Su Yu, Shiguang Shan, Xilin Chen, Wen Gao
|ref=Yu, Shan, Chen, Gao
|заглавие=Patch-based gabor fisher classifier for face recognition
|издание=Proceedings - International Conference on Pattern Recognition
|месяц=September
|год=2006
|том=2
|doi=10.1109/ICPR.2006.917
}}
* {{статья
|автор=Yang Liu, Yongzheng Lin, Yuehui Chen
|ref=Liu, Lin, Chen
|заглавие=Ensemble Classification Based on ICA for Face Recognition
|издание=Proceedings - 1st International Congress on Image and Signal Processing, IEEE Conference, CISP 2008
|месяц=July
|год=2008
|doi=10.1109/CISP.2008.581
|ссылка=https://ieeexplore.ieee.org/document/4566462/?part=1%7Csec1
}}
* {{книга
|автор=Steven A. Rieger, Rajani Muraleedharan, Ravi P. Ramachandran
|ref=Rieger, Muraleedharan, Ramachandran
|часть=Speech based emotion recognition using spectral feature extraction and an ensemble of kNN classifiers
|заглавие=Proceedings of the 9th International Symposium on Chinese Spoken Language Processing, ISCSLP 2014
|год=2014
|doi=10.1109/ISCSLP.2014.6936711
}}
* {{книга
|автор=Jarek Krajewski, Anton Batliner, Silke Kessel
|ref=Krajewski, Batliner, Kessel
|часть=Comparing Multiple Classifiers for Speech-Based Detection of Self-Confidence - A Pilot Study
|заглавие=20th International Conference on Pattern Recognition
|месяц=October
|год=2010
|doi=10.1109/ICPR.2010.905
}}
* {{статья
|автор=P. Ithaya Rani, K. Muneeswaran
|ref=Rani, Muneeswaran
|заглавие=Recognize the facial emotion in video sequences using eye and mouth temporal Gabor features
|издание=Multimedia Tools and Applications
|месяц=May
|год=2016
|том=76
|выпуск=7
|doi=10.1007/s11042-016-3592-y
}}
* {{статья
|автор=P. Ithaya Rani, K. Muneeswaran
|ref=Rani, Muneeswaran
|заглавие=Facial Emotion Recognition Based on Eye and Mouth Regions
|издание=International Journal of Pattern Recognition and Artificial Intelligence
|месяц=August
|год=2016
|том=30
|выпуск=07
|doi=10.1142/S021800141655020X
}}
* {{статья
|автор=P. Ithaya Rani, K. Muneeswaran
|ref=Rani, Muneeswaran
|заглавие=Emotion recognition based on facial components
|издание=Sādhanā
|месяц=March
|год=2018
|том=43
|выпуск=3
|doi=10.1007/s12046-018-0801-6
}}
* {{статья
|автор=Francisco Louzada, Anderson Ara
|ref=Louzada, Ara
|заглавие=Bagging k-dependence probabilistic networks: An alternative powerful fraud detection tool
|издание=Expert Systems with Applications
|месяц=October
|год=2012
|том=39
|выпуск=14
|doi=10.1016/j.eswa.2012.04.024
}}
* {{статья
|автор=G. Ganesh Sundarkumar, Vadlamani Ravi
|ref=Sundarkumar, Ravi
|заглавие=A novel hybrid undersampling method for mining unbalanced datasets in banking and insurance
|издание=Engineering Applications of Artificial Intelligence
|месяц=January
|год=2015
|том=37
|doi=10.1016/j.engappai.2014.09.019
}}
* {{статья
|автор=Yoonseong Kim, So Young Sohn
|ref=Kim, Sohn
|заглавие=Stock fraud detection using peer group analysis
|издание=Expert Systems with Applications
|месяц=August
|год=2012
|том=39
|выпуск=10
|doi=10.1016/j.eswa.2012.02.025
}}
* {{статья
|автор=Yoonseong Kim, So Young Sohn
|ref=Kim, Sohn
|заглавие=Stock fraud detection using peer group analysis
|издание=Expert Systems with Applications
|месяц=August
|год=2012
|том=39
|выпуск=10
|doi=10.1016/j.eswa.2012.02.025
}}
* {{статья
|автор=Savio A., García-Sebastián M.T., Chyzyk D., Hernandez C., Graña M., Sistiaga A., López de Munain A., Villanúa J.
|ref=Savio, García-Sebastián, Chyzyk и др.
|заглавие=Neurocognitive disorder detection based on feature vectors extracted from VBM analysis of structural MRI
|издание=Computers in Biology and Medicine
|месяц=August
|год=2011
|том=41
|выпуск=8
|doi=10.1016/j.compbiomed.2011.05.010
}}
* {{статья
|автор=Ayerdi B., Savio A., Graña M.
|ref=Ayerdi, Savio, Graña
|заглавие=Meta-ensembles of classifiers for Alzheimer's disease detection using independent ROI features
|издание=Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
|месяц=June
|год=2013
|выпуск=Part 2
|doi=10.1007/978-3-642-38622-0_13
}}
* {{статья
|автор=Quan Gu, Yong-Sheng Ding, Tong-Liang Zhang
|ref=Gu, Ding, Zhang
|заглавие=An ensemble classifier based prediction of G-protein-coupled receptor classes in low homology
|издание=Neurocomputing
|месяц=April
|год=2015
|том=154
|doi=10.1016/j.neucom.2014.12.013
}}
* {{книга
|автор=Zhou Zhihua
|год=2012
|заглавие=Ensemble Methods: Foundations and Algorithms
|издательство= Chapman and Hall/CRC
|isbn=978-1-439-83003-1
}}
* {{книга
|автор=Robert Schapire, Yoav Freund
|год=2012
|заглавие=Boosting: Foundations and Algorithms
|издательство=MIT
|isbn=978-0-262-01718-3
}}

{{rq|checktranslate|style}}

{{Машинное обучение}}

[[Категория:Композиционное обучение]]