ensemble learning

• (bkz: kollektif öğrenme)
  (bkz: majority voting)
  birden fazla sınıflandırma /tahmin algoritmanın birlikte çalışması mantığıyla daha başarılı sonuçları vermesi olayına denir.
  (bkz: random forest)
  
  mesela random forest : birden fazla decision tree algoritması aynı problem için bir kaç kere çizilmesi ve problemin çözümünde hep birlikte kullanılmasıdır.
  
  random forest : splitting validationa bölünmüş eğitim seti subsampling (sub-sample 1, sub -sample 2, ... ) alıp farklı farklı decision tree oluşturuluyor. böylelikle farklı decision treeler oluşturulup daha sonra (bkz: maority voting) yapılarak sonuç değerlendirilir.
• topluluk öğrenimi (ensemble learning), bir veri kümesi üzerinde daha iyi tahminler yapmaya çalışmak için birden çok makine öğrenimi modeli kullanır. bir topluluk modeli, bir veri kümesi üzerinde farklı modelleri eğiterek ve her modelin ayrı ayrı tahminler yapmasını sağlayarak çalışır. bu modellerin tahminleri daha sonra nihai bir tahmin yapmak için topluluk modelinde birleştirilir.
  her modelin güçlü ve zayıf yönleri vardır. topluluk modelleri, tek bir modelin zayıf yönlerini gizlemeye yardımcı olmak için bireysel modelleri birleştirerek faydalı olabilir.
  link'teki videoda, topluluk modelinin çoğunluk oyu ile tahminde bulunduğu bir oylama sınıflandırıcısı (voting classifier) kullanılmıştır.
  sınıflandırıcıya yerleştirmek için üç farklı model uygulanmıştır: k-en yakın komşular (k-nearest neighbors), rastgele orman (random forest) ve lojistik regresyon. bu yöntemler, örnek olarak seçilen diyabet veri setine uygulamak için python'daki scikit-learn kitaplığı kullanılmıştır.