or
Cette activité fait partie du cours
Avez-vous de la difficulté à déterminer lequel de vos modèles convient le mieux à votre problème ? Ne vous acharnez pas : servez-vous de tous ! Dans ce chapitre, vous apprendrez à combiner plusieurs modèles en un seul à l'aide du « Voting » et de l'« Averaging ». Vous les utiliserez pour prédire les cotes des applications du Google Play Store, déterminer si un Pokémon est légendaire ou non, et repérer quels personnages vont mourir dans Game of Thrones !
Exercice en cours
Le bagging est la méthode d'ensemble derrière des algorithmes de Machine Learning puissants comme les forêts aléatoires. Dans ce chapitre, vous verrez la théorie qui sous-tend cette technique et vous construirez vos propres modèles de bagging avec scikit-learn.
Le boosting est une classe d'algorithmes d'apprentissage par ensemble qui comprend des modèles primés comme AdaBoost. Dans ce chapitre, vous étudierez ce modèle primé et l'utiliserez pour prédire les revenus de films primés ! Vous verrez aussi des algorithmes de gradient boosting tels que CatBoost et XGBoost.
Préparez-vous à voir comment tout s'empile ! Dans ce dernier chapitre, vous découvrirez la méthode d'ensemble appelée stacking. Vous apprendrez à l'implanter avec scikit-learn ainsi qu'avec la bibliothèque mlxtend ! Vous appliquerez le stacking pour prédire la comestibilité des champignons nord-américains et vous reviendrez aux cotes des applications Google avec cette approche plus avancée.