Aşağıdakiler de dahil olmak üzere farklı türde topluluk yöntemleri vardır:
- Bagging (Bootstrap Toplama): Torbalama, eğitim verilerinden birden fazla önyüklemeli örnek oluşturan bir topluluk yöntemidir. Her ön yüklemeli örnek bir temel modeli eğitmek için kullanılır ve daha sonra nihai tahminin yapılması için temel modellerin tahminlerinin ortalaması alınır.
- Güçlendirme (Uyarlanabilir Yükseltme): Güçlendirme, temel modelleri sırayla eğiten bir topluluk yöntemidir. Her temel model aynı eğitim verileriyle eğitilir, ancak veriler her model eğitildikten sonra yeniden ağırlıklandırılır. Önceki model tarafından yanlış sınıflandırılan veri noktalarına daha yüksek ağırlık verilir, böylece sonraki modeller bu veri noktalarına odaklanır.
- Rastgele Ormanlar: Rastgele ormanlar, bir dizi karar ağacı oluşturan bir topluluk yöntemidir. Her karar ağacı, eğitim verilerinin farklı bir alt kümesi üzerinde eğitilir ve nihai tahmin, çoğunluk oyu veya bireysel karar ağaçlarının tahminlerinin ortalaması alınarak yapılır.
Topluluk yöntemleri genellikle tek modellerden daha doğrudur çünkü modelin varyansını ve sapmasını azaltmaya yardımcı olabilirler. Modelin eğitim verilerine gereğinden fazla uymasını önlemeye yardımcı olabileceğinden modelin sağlamlığını artırmak için de kullanılabilirler.