or
この演習はコースの一部です
作成したモデルの中で、どれが問題に最適か迷っていませんか？それなら一つに絞るのはやめて、全部使ってみましょう！この章では、「Voting」と「Averaging」を使って複数のモデルを一つにまとめる方法を学びます。Google Play ストアのアプリ評価の予測、ポケモンが伝説かどうかの判定、Game of Thrones の登場人物の生死予測に挑戦します。
Bagging は、ランダムフォレストのような強力な Machine Learning アルゴリズムを支えるアンサンブル手法です。この章では、その理論を学び、scikit-learn を使って独自の bagging モデルを構築します。
Boosting は、AdaBoost のような受賞歴のあるモデルを含むアンサンブル学習の一群です。この章では、その代表であるモデルを学び、受賞歴のある映画の興行収入を予測します。さらに、CatBoost や XGBoost といった勾配ブースティング系アルゴリズムについても学びます。
現在の演習
いよいよ積み上げの真価を確かめましょう！この最終章では、スタッキングというアンサンブル手法を学びます。scikit-learn に加えて mlxtend ライブラリを使った実装方法も扱います。北米産キノコの食用可否を予測し、Google アプリの評価をより高度なアプローチで再訪します。