or
To ćwiczenie jest częścią kursu
Masz trudności z wyborem najlepszego modelu spośród tych, które zbudowałeś? Zamiast wybierać – użyj ich wszystkich! W tym rozdziale nauczysz się, jak łączyć wiele modeli w jeden za pomocą technik „głosowania" i „uśredniania". Zastosujesz je do przewidywania ocen aplikacji w sklepie Google Play, określania, czy dany Pokémon jest legendarny, oraz do wskazywania, które postacie zginą w Grze o Tron!
Bieżące ćwiczenie
Bagging to metoda zespołowa leżąca u podstaw takich algorytmów jak lasy losowe. W tym rozdziale poznasz teorię stojącą za tą techniką i zbudujesz własne modele baggingowe z użyciem scikit-learn.
Boosting to klasa algorytmów zespołowych, do której należą nagrodzone modele, takie jak AdaBoost. W tym rozdziale poznasz ten model i użyjesz go do przewidywania przychodów nagradzanych filmów! Poznasz również algorytmy gradient boostingu, takie jak CatBoost i XGBoost.
Czas zobaczyć, jak działa stacking! W tym ostatnim rozdziale poznasz metodę zespołową zwaną stackingiem. Nauczysz się ją implementować zarówno za pomocą scikit-learn, jak i biblioteki mlxtend. Zastosujesz stacking do przewidywania jadalności północnoamerykańskich grzybów i powrócisz do ocen aplikacji Google, tym razem korzystając z bardziej zaawansowanego podejścia.