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.




