1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning pour la finance en Python
Connected

Exercice

Assemblage de modèles

Une façon d'améliorer les prédictions des modèles de Machine Learning est l'assemblage (ensembling). Une méthode de base consiste à faire la moyenne des prédictions de plusieurs modèles. Une approche plus avancée consiste à alimenter les prédictions de plusieurs modèles dans un autre modèle, qui produit les prédictions finales. Dans les deux cas, on améliore généralement la performance globale (pourvu que chaque modèle individuel soit de bonne qualité). Rappelez-vous que les forêts aléatoires utilisent aussi l'assemblage de nombreux arbres de décision.

Pour assembler les prédictions de notre réseau de neurones, nous allons générer des prédictions avec les 3 modèles que nous venons de créer — le modèle de base, le modèle avec la fonction de perte personnalisée et le modèle avec abandon (dropout). Ensuite, nous combinerons ces prédictions avec la fonction .hstack() de numpy, puis nous en ferons la moyenne par ligne avec np.mean(predictions, axis=1).

Instructions

100 XP
  • Créez des prédictions sur scaled_train_features et scaled_test_features pour les 3 modèles entraînés (model_1, model_2, model_3) à l'aide de la méthode .predict().
  • Empilez horizontalement (np.hstack()) les prédictions dans une matrice, puis calculez la moyenne par ligne pour obtenir les prédictions moyennes des ensembles d'entraînement et de test.