Video: Knab | Plus Pakket 2024
Beide middelings- en stemsystemen kunnen ook prima werken als je een mix van verschillende machine-learning gebruikt algoritmen. Dit is de middeling -benadering en wordt veel gebruikt wanneer u de geschatte variantie niet kunt verminderen.
Terwijl u probeert te leren van gegevens, moet u verschillende oplossingen proberen en uw gegevens modelleren met behulp van verschillende machine-learningoplossingen. Het is een goede gewoonte om te controleren of je sommige van hen met succes in ensembles kunt zetten met behulp van voorspellingsgemiddelden of door de voorspelde klassen te tellen. Het principe is hetzelfde als bij het inpakken van niet-gecorreleerde voorspellingen, wanneer met elkaar gemengde modellen minder door variantie beïnvloede voorspellingen kunnen produceren. Om effectieve middeling te bereiken, moet u
- Verdeel uw gegevens in trainings- en testsets.
- Gebruik de trainingsgegevens met verschillende algoritmen voor het leren van machines.
- Registreer voorspellingen van elk algoritme en evalueer de levensvatbaarheid van het resultaat met behulp van de testset.
- Correleer alle beschikbare voorspellingen met elkaar.
- Kies de voorspellingen die het minst correleren en het gemiddelde van hun resultaat. Of, als u aan het classificeren bent, kies dan een groep van minst gecorreleerde voorspellingen en kies voor elk voorbeeld als een nieuwe klassenvoorspelling de klasse die de meerderheid van hen voorspelde.
- Test de nieuw gemiddelde of met de door de meerderheid gestemde voorspelling ten opzichte van de testgegevens. Als dit lukt, maakt u uw uiteindelijke model door het gemiddelde te nemen van de resultaten van het modelgedeelte van het succesvolle ensemble.
Om te begrijpen welke modellen het minste correleren, neemt u de voorspellingen één voor één, correleert u ze met elkaar en vergelijkt u de correlaties om een gemiddelde correlatie te verkrijgen. Gebruik de gemiddelde correlatie om de geselecteerde voorspellingen te rangschikken die het meest geschikt zijn voor middeling.