اصلي دلیل چې ولې EL غوره ترسره کوي دا دی چې هره وړاندوینه یوه تېروتنه لري (موږ دا د احتمالي تیوري څخه پوهیږو)، د دوو وړاندوینو یوځای کول کولی شي د غلطۍ کمولو کې مرسته وکړي، او له همدې امله د فعالیت میټریک ښه کړي (RMSE، R²، او نور) d.).
له همدې امله، Ensemble Learning په هر حالت کې د تعصب/تغیر توازن د ښه کولو لپاره کارول کیدی شي، مګر کله چې د ماډل تېروتنې په مثبت ډول سره تړاو نلري، د EL کارول ممکن د ښه فعالیت لامل شي.
همجنس او متفاوت موډلونه
ډیری وختونه EL په همغږي ماډلونو کې کارول کیږي (لکه څنګه چې پدې مثال یا تصادفي ځنګل کې) ، مګر په حقیقت کې تاسو کولی شئ مختلف ماډلونه (لینیر ریګریشن + عصبي شبکه + XGBoost) د توضیحي تغیراتو مختلف سیټونو سره یوځای کړئ. دا به احتمال د غیر مربوط غلطیو او ښه فعالیت پایله ولري.
د پورټ فولیو تنوع سره پرتله کول
EL د پورټ فولیو تیوري کې تنوع ته ورته کار کوي ، مګر زموږ لپاره خورا ښه.
کله چې تنوع کوئ، تاسو هڅه کوئ چې په غیر مربوط سټاکونو کې د پانګوونې له لارې د خپل فعالیت توپیر کم کړئ. د سټاک یو ښه متنوع پورټ فولیو به د خورا خراب انفرادي سټاک څخه غوره فعالیت وکړي ، مګر هیڅکله به له غوره څخه غوره نه وي.
د وارن بفیټ د نقل کولو لپاره:
"تنوع د ناپوهۍ په وړاندې دفاع ده؛ د هغه چا لپاره چې نه پوهیږي هغه څه کوي، دا [تنوع] ډیر لږ معنی لري."
د ماشین زده کړې کې، EL ستاسو د ماډل توپیر کمولو کې مرسته کوي، مګر دا ممکن د غوره اصلي ماډل په پرتله د عمومي فعالیت سره یو ماډل وي.
راځئ چې پایلې راټیټ کړو
په یو کې د ډیری ماډلونو ترکیب یو نسبتا ساده تخنیک دی چې کولی شي د توپیر تعصب ستونزې حل کړي او د فعالیت ښه کړي.
که تاسو دوه یا ډیر ماډلونه لرئ چې ښه کار کوي، د دوی ترمنځ انتخاب مه کوئ: دا ټول وکاروئ (مګر په احتیاط سره)!