or
Este ejercicio forma parte del curso
¿Te cuesta decidir cuál de los modelos que has creado es el mejor para tu problema? Mejor deja de intentarlo y ¡úsalos todos! En este capítulo aprenderás a combinar varios modelos en uno usando "Voting" y "Averaging". Los utilizarás para predecir las valoraciones de apps en Google Play Store, si un Pokémon es legendario o no, y qué personajes van a morir en Game of Thrones.
Ejercicio actual
Bagging es el método de ensemble detrás de potentes algoritmos de machine learning como los random forests. En este capítulo aprenderás la teoría de esta técnica y crearás tus propios modelos de bagging con scikit-learn.
Boosting es una familia de algoritmos de ensemble que incluye modelos galardonados como AdaBoost. En este capítulo aprenderás sobre este modelo premiado y lo usarás para predecir la recaudación de películas premiadas. También verás algoritmos de gradient boosting como CatBoost y XGBoost.
¡Prepárate para ver cómo se apilan las cosas! En este capítulo final aprenderás el método de ensemble stacking. Verás cómo implementarlo con scikit-learn y también con la biblioteca mlxtend. Aplicarás stacking para predecir la comestibilidad de setas norteamericanas y retomarás las valoraciones de apps de Google con este enfoque más avanzado.