ISSN: 2381-8719
Seyed Ali Jafari Kenari und Syamsiah Mashohor
Committee Machine (CM) oder Ensemble führt eine maschinelle Lerntechnik ein, die einige Lernende oder Experten aggregiert, um die Generalisierungsleistung im Vergleich zu einem einzelnen Mitglied zu verbessern. Die erstellten CMs sind manchmal unnötig groß und haben einige Nachteile, wie z. B. die Verwendung von zusätzlichem Speicher, Rechenaufwand und gelegentliche Abnahme der Effektivität. Das Beschneiden einiger Mitglieder dieses Komitees unter Beibehaltung einer hohen Vielfalt unter den einzelnen Experten ist eine effiziente Technik zur Verbesserung der Vorhersageleistung. Die Vielfalt zwischen den Komiteemitgliedern ist ein sehr wichtiger Messparameter, der nicht unbedingt unabhängig von ihrer Genauigkeit ist, und im Wesentlichen besteht ein Kompromiss zwischen ihnen. In diesem Artikel haben wir zunächst ein neuronales Komiteenetzwerk mit verschiedenen Lernalgorithmen erstellt und dann eine Expertenbeschneidungsmethode vorgeschlagen, die auf einem Kompromiss zwischen Vielfalt und Genauigkeit basiert, um das Framework der Committee Machine zu verbessern. Schließlich haben wir diese vorgeschlagene Struktur angewendet, um Permeabilitätswerte aus Bohrlochdaten mithilfe verfügbarer Kerndaten vorherzusagen. Die Ergebnisse zeigen, dass unsere Methode im Vergleich zum besten Experten und der anfänglichen Committee Machine den niedrigsten Fehler und den höchsten Korrelationskoeffizienten aufweist und auch wichtige Informationen zur Zuverlässigkeit der Permeabilitätsvorhersagen liefert.