online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 機器學習的堆疊(Stacking)

摘要: 堆疊是集成多個分類法或回歸模型的方式。有很多方法可以集成模型,眾所周知的模型有Bagging或Boosting。Bagging允許多個具有高方差類似的分類模型中取平均以減少差異。Boosting建立多個增量模型,以減少誤差,同時保持方差小。

 


堆疊是集成多個分類法或回歸模型的方式。有很多方法可以集成模型,眾所周知的模型有Bagging或Boosting。Bagging允許多個具有高方差類似的分類模型中取平均以減少差異。Boosting建立多個增量模型,以減少誤差,同時保持方差小。

堆疊(有時稱為堆疊泛化)是不同的範例。堆疊的一點是要對同個問題探索不同模型的空間。這個想法是,你可以以不同類型的模型去攻略一個機器學習問題,不同模型能夠學習問題的某些部分,但不是學習到問題的全部。所以你可以建立多個不同的學習方式並使用它們來構建中間預測,一個學習模型產生一個預測。然後使用中介預測去訓練一個新模型去學同個目標。

1.我們的訓練數據分成K-部分就像K-fold交叉驗證。

2.一個基本模型配適在K-1部份和預測第K部分。

3.此動作重複在訓練數據的每個部分。

4.然後,將基礎模型配適在整個訓練數據集來計算其測試集的績效。

5.我們重複了其他基本模型在上面3個步驟。

6.從訓練組的預測被用作特徵在於用於所述第二級模型。

7.第二級模型是用來做的測試集的預測。

Blending

Blending是一種類似堆疊的方法。

1.訓練集分成訓練和驗證集。

2.我們訓練trainu資料集的基礎模型。

3.我們只對驗證集和測試集做預測。

4.驗證集的預測被用作特性來構建一個新的模型。

5.該模型是使用預測值作為特徵來做出測試組的最終預測。

轉貼自: geeksforgeeks

 

若喜歡本文,請關注我們的臉書 Please Like our Facebook Page:    Big Data In Finance

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應