or
Toto cvičení je součástí kurzu
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!
Aktuální cvičení
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.
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.
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.