Ensemble

A aprendizagem em conjunto é uma estratégia robusta em aprendizagem automática (ML), na qual vários modelos independentes, frequentemente referidos como «aprendizes fracos», são combinados para produzir um único resultado preditivo . A premissa fundamental é que um grupo de modelos pode frequentemente alcançar maior precisão e melhor generalização do que qualquer modelo único atuando sozinho. Ao agregar as previsões de diversos algoritmos, os métodos de conjunto reduzem efetivamente o risco de sobreajuste aos dados de treino, suavizam erros aleatórios e melhoram a estabilidade geral do sistema. Essa abordagem é análoga a consultar um painel de especialistas em vez de confiar na opinião de um único indivíduo para tomar uma decisão crítica.

Mecanismos de aprendizagem de conjuntos

A eficácia dos métodos de conjunto reside na sua capacidade de manipular o compromisso entre viés e variância. Modelos individuais podem sofrer de alta variância (sensibilidade ao ruído) ou alto viés (simplificação excessiva). O conjunto mitiga esses problemas por meio de técnicas específicas:

• Bagging (agregação bootstrap): Esta técnica envolve treinar várias instâncias do mesmo algoritmo em diferentes subconjuntos do conjunto de dados. O exemplo mais famoso é o algoritmo Random Forest, que agrega as decisões de muitas árvores de decisão para reduzir a variância.
• Boosting: Ao contrário do bagging, o boosting treina modelos sequencialmente. Cada novo modelo concentra-se em corrigir os erros cometidos pelos anteriores. Frameworks populares como LightGBM e CatBoost utilizam isso para criar sistemas preditivos altamente precisos .
• Empilhamento (Generalização Empilhada): Isso envolve treinar um novo "meta-modelo" para combinar as previsões de vários modelos base heterogéneos (por exemplo, uma rede neural e uma Máquina de Vetor de Suporte).

Ensamblagem em Visão Computacional

No campo da visão computacional (CV), conjuntos são frequentemente usados para maximizar o desempenho em competições e aplicações críticas de segurança. Para a detecção de objetos, isso geralmente envolve a execução de vários modelos — como diferentes versões do YOLO26— na mesma imagem. As caixas delimitadoras resultantes são então mescladas usando técnicas como Supressão Não Máxima (NMS) ou Fusão de Caixas Ponderadas (WBF) para derivar as localizações mais prováveis dos objetos.

Aplicações no Mundo Real

Os métodos de conjunto são omnipresentes em indústrias onde a fiabilidade preditiva é fundamental.

1. Diagnósticodetect e imagiologia: Na área da saúde, evitar falsos negativos é fundamental. Um conjunto pode combinar uma Rede Neural Convolucional (CNN) treinada em raios-X com um Vision Transformer (ViT) para detetar anomalias. O consenso entre os modelos fornece uma pontuação de confiança mais elevada, auxiliando os radiologistas na detecção detumores ou no diagnóstico de doenças raras.
2. Detecção de fraudesdetect iras: As instituições financeiras utilizam conjuntos para analisar padrões de transações. Ao combinar modelos de regressão logística com máquinas de reforço de gradiente, o sistema consegue detetar indicadores subtis de fraude que um único modelo poderia deixar passar, mantendo baixas as taxas de falsos alarmes.

Implementando o Ensemble de Modelos com Python

Você pode simular um conjunto básico de inferências carregando vários modelos treinados e gerando previsões para a mesma entrada. A Ultralytics permite treinar essas variantes facilmente. O exemplo a seguir demonstra o carregamento de dois diferentes Ultralytics YOLO (YOLO26n e YOLO26s) para verificar as deteções em uma imagem.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

Conjunto vs. Aumento de dados

É importante distinguir a aprendizagem em conjunto do aumento de dados.

• O Ensemble concentra-se na fase de arquitetura e previsão, combinando vários modelos distintos treinados para melhorar os resultados.
• O aumento de dados concentra-se na fase de dados de treino, aumentando artificialmente a diversidade do conjunto de dados (por exemplo, através de rotação ou inversão) para treinar um único modelo mais robusto.

Enquanto o aumento de dados ajuda um único modelo a aprender melhor, a aprendizagem em conjunto ajuda vários modelos a verificar os resultados uns dos outros . Ambas as estratégias são frequentemente utilizadas em conjunto para alcançar resultados de ponta em tarefas como segmentação de instâncias e estimativa de poses.