Trong học máy, ‘ensemble learning’ (học tập hợp) là một phương pháp kết hợp nhiều mô hình để:

Tăng cường tốc độ xử lý dữ liệu

Giảm thiểu số lượng đặc trưng cần thiết

Ước lượng hiệu suất của mô hình một cách đáng tin cậy hơn trên dữ liệu mới

Xử lý các giá trị bị thiếu trong dữ liệu

Chọn thuật toán học máy phù hợp

Tạo ra các đặc trưng mới từ dữ liệu thô để cải thiện hiệu suất mô hình

Huấn luyện mô hình trên tập dữ liệu lớn

Đánh giá mô hình bằng các độ đo hiệu suất

Hồi quy tuyến tính (Linear Regression)

Hồi quy Logistic (Logistic Regression) với chiến lược One-vs-Rest hoặc Softmax

Hồi quy tuyến tính với bình phương sai số (Linear Regression with squared error)

Phân tích thành phần chính (Principal Component Analysis – PCA)

Mô hình phân cụm

Mô hình hồi quy tuyến tính được áp dụng với hàm sigmoid để phân loại

Mô hình cây quyết định

Mô hình mạng nơ-ron đơn giản

Xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP)

Nhận dạng hình ảnh (Image Recognition)

Dự báo chuỗi thời gian (Time Series Forecasting)

Phân cụm dữ liệu (Clustering)

Nó đảm bảo mô hình luôn hội tụ nhanh chóng

Khởi tạo sai có thể dẫn đến vấn đề ‘vanishing gradient’ hoặc ‘exploding gradient’

Nó loại bỏ nhu cầu về ‘regularization’

Nó tự động chọn kiến trúc mạng nơ-ron phù hợp

Hồi quy Logistic (Logistic Regression)

Mạng nơ-ron tích chập (Convolutional Neural Network – CNN)

Cây quyết định (Decision Tree)

Máy vector hỗ trợ (Support Vector Machine – SVM)