Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Ensemble learning

Engels: Ensemble learning · Ook wel: ensemble methods, ensemble modelling, ensemble modeling, model ensembling

In het kort

Ensemble learning is een methode in machine learning die meerdere algoritmen tot één model bundelt. Elk algoritme leert apart van gegevens en geeft een eigen voorspelling, waarna bijvoorbeeld een meerderheid van stemmen of een gemiddelde die uitkomsten tot één resultaat samenvoegt. Het doel is een betere voorspelling dan elk algoritme apart levert, zoals een random forest dat veel beslisbomen combineert om een categorie of waarde te schatten.

Waarom is dit belangrijk?

Losse rekenmodellen missen soms patronen die pas samen zichtbaar worden, waardoor een schatting minder snel doorschiet. In de zorg ondersteunt ensemble learning het stellen van medische diagnoses, bijvoorbeeld het herkennen van hersenaandoeningen op beelden van een MRI-scan. Patiënten en behandelaren krijgen daardoor extra steun bij een medisch oordeel, maar een foute inschatting blijft mogelijk als de gebruikte gegevens onvolledig of scheef zijn.

Zo werkt het in de praktijk

Bij de Netflix-wedstrijd voegden de twee beste teams modellen samen via blending. Blending is een vorm van stacking, waarbij een extra model de andere uitkomsten samenvoegt. Voor landkaarten zijn ensemble-methoden voorgesteld die wegen, gebouwen en begroeiing op satellietbeelden herkennen.

Een studie onderzoekt of ensemble learning vroeg aangeeft welke studenten een cursus dreigen te verlaten. De onderzoekers vergelijken een combinatie van verschillende modellen met AdaBoost en XGBoost. Zij halen de gegevens uit het leersysteem van een universiteit.

Dezelfde studie volgt CRISP-DM, een vaste werkwijze voor datamining. Eerst komen de vraag en de data, daarna het bouwen en toetsen van het model. Ensemble learning krijgt zo een vaste plek in het project.

Bron: en.wikipedia.org

Gecontroleerd op 5 november 2026