O vídeo-tutorial pode ser visualizado neste link
A técnica de Comitê de Máquinas é baseada no conceito de diversidade
Existem algumas abordagens para obter diversidade:
- Subamostragem do espaço de entrada. Exemplo: seleção de conjuntos de dados com alguma intersecção.
- Subamostragem dos atributos. Exemplo: utilizar atributos com mesma característica.
- Configuração dos hiper-parâmetros dos modelos. Exemplo: número de iterações, tolerância, número de camadas ocultas, etc.
- Utilização de distintos algoritmos. Exemplo: Redes Neurais, Árvores de Decisão, KNN, etc.
Polikar, R., 2006. Ensemble based systems in decision making, volume 6, 21–45. doi:10.1109/MCAS.2006.1688199
Raschka, S., 2018. Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientific computing stack 3. doi:10.21105/joss.00638.
Rokach, L., 2010. Pattern Classification using Ensemble Learning. volume 75 of Series in Machine Perception and Artificial Intelligence. New Jersey.
Sagi, O., Rokach, L., 2018. Ensemble learning: A survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery 8, e1249.
Oliveira, B.R.d., Abreu, C.C.E.d., Duarte, M.A.Q., Vieira Filho, J., 2019. Geometrical features for premature ventricular contraction recognition with analytic hierarchy process based machine learning algorithms selection,59–69 doi:10.1016/j.cmpb.2018.12.028.