Nevíš, který z modelů, které jsi sestavil/a, je pro tvůj problém nejlepší? Přestaň hledat jediný správný a použij je všechny najednou! V této kapitole se naučíš, jak kombinovat více modelů v jeden pomocí technik „Voting" a „Averaging". Využiješ je k předpovídání hodnocení aplikací v obchodě Google Play, k určení toho, zda je Pokémon legendární, a k předpovědi toho, které postavy zahynou ve Hře o trůny!

Úvod do ensemble metod

Prozkoumání dat o aplikacích Google

Předpovídáme hodnocení aplikace

Hlasování

Výběr nejlepšího modelu

Sestav svůj první ensemble model

Vyhodnocení tvého ansámblu

Averaging

Výprava do Westerou

Předpovídání úmrtí v GoT

Soft vs. hard voting

Kombinování více modelů

Bagging je ensemble metoda, na níž stojí výkonné algoritmy strojového učení jako random forests. V této kapitole se naučíš teorii za touto technikou a sestavíš vlastní bagging modely pomocí scikit-learn.

Síla „slabých“ modelů

Rozhodovací stromy s omezeními a bez omezení

„Slabý" rozhodovací strom

Bootstrap agregování

Trénování s bootstrappingem

První pokus o bagging

BaggingClassifier: jak to funguje uvnitř

Bagging se scikit-learn

Kontrola out-of-bag skóre

Bagging: parametry a tipy

Průzkum dat UCI SECOM

Složitější baggingový model

Ladění hyperparametrů baggingu

Bagging

Boosting je třída ensemble algoritmů zahrnující oceňované modely jako AdaBoost. V této kapitole se s tímto modelem seznámíš a použiješ ho k předpovědi tržeb oceňovaných filmů! Dozvíš se také o algoritmech gradient boostingu, jako jsou CatBoost a XGBoost.

Síla postupného učení

Představení filmové databáze

Prozkoumání příznaků filmů

Predikce příjmů filmů

Boosting pro predikci příjmů

Adaptivní boosting: model s oceněním

Tvůj první model AdaBoost

AdaBoost regrese na bázi stromů

AdaBoost na maximum

Gradient boosting

Znovu k recenzím aplikací Google

Analýza sentimentu s GBM

Varianty gradientního boostingu

Predikce příjmů filmů pomocí CatBoost

Souboj boosterů: Light vs. Extreme

Boosting

Připrav se na to, jak se věci vrství! V této závěrečné kapitole se naučíš ensemble metodu stacking. Ukážeme si, jak ji implementovat pomocí scikit-learn i knihovny mlxtend! Aplikuješ stacking na předpověď jedlosti severoamerických hub a znovu se vrátíš k hodnocení aplikací Google – tentokrát s tímto pokročilejším přístupem.

Intuice za stackingem

Průzkum datasetu hub

Predikce jedlosti hub

K-nejbližší sousedé pro houby

Postav svůj první stacking ensemble

Stacking pro předpovídání hodnocení aplikací

Sestavení stacking klasifikátoru

Predikce hodnocení aplikací pomocí stackingu

Pojďme na to s mlxtend!

První pokus s mlxtend

Zpět k regresi se stackingem

Houby: otázka života a smrti

Všechno dohromady: finální ensemble

Stacking

TMDb (The Movie Database)

Pokémon

Game of Thrones

SECOM (Semiconductor Manufacturing)

App ratings

App reviews

Pokračuj ve svém dobrodružství se strojovým učením a ponořse do fascinujícího světa ensemble metod! Jde o skupinu technik strojového učení, které kombinují více jednotlivých algoritmů, aby zvýšily výkon a řešily složité problémy v různých odvětvích. Ensemble techniky pravidelně vítězí i v online soutěžích ve strojovém učení!
V tomto kurzu se naučíš vše o těchto pokročilých technikách – baggingu, boostingu a stackingu. Aplikuješ je na reálná data pomocí špičkových Python knihoven pro strojové učení, jako jsou scikit-learn, XGBoost, CatBoost a mlxtend.

Linear Classifiers in Python

Machine Learning with Tree-Based Models in Python

Naučte se vytvářet pokročilé modely strojového učení v Pythonu pomocí technik jako bagging a boosting.

Ensemble Methods in Python

Naučte se v Pythonu vytvářet pokročilé a účinné modely strojového učení pomocí ensemble technik, jako jsou bagging, boosting a stacking.

Varianty gradientního boostingu

Create Your Free Account