1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Machine Learning for Finance in Python
Connected

Cvičení

Ensembling modelů

Jedním ze způsobů, jak zlepšit předpovědi modelů strojového učení, je ensembling. Základní přístup spočívá v průměrování předpovědí z více modelů. Složitější přístup předpovědi jednotlivých modelů předává dalšímu modelu, který vytvoří finální předpovědi. Oba přístupy obvykle celkový výkon zlepší (za předpokladu, že jednotlivé modely jsou dostatečně kvalitní). Jak si možná pamatuješ, i náhodné lesy využívají ensembling mnoha rozhodovacích stromů.

Pro ensembling předpovědí naší neuronové sítě vytvoříme předpovědi pomocí 3 modelů, které jsme právě natrénovali – základního modelu, modelu s vlastní ztrátovou funkcí a modelu s dropoutem. Předpovědi pak zkombinujeme pomocí funkce .hstack() z knihovny numpy a zprůměrujeme je přes řádky pomocí np.mean(predictions, axis=1).

Pokyny

100 XP
  • Vytvoř předpovědi na scaled_train_features a scaled_test_features pro všechny 3 natrénované modely (model_1, model_2, model_3) pomocí metody .predict().
  • Horizontálně slož (np.hstack()) předpovědi do matice a vypočítej průměry přes řádky, abys získal/a průměrné předpovědi pro trénovací a testovací sady.