1. Nauka
    2. /
  2. Kursy
    3. /
  3. Uczenie maszynowe w finansach z Pythonem
Connected

ćwiczenie

Łączenie modeli w zespoły

Jedną z metod poprawy prognoz w uczeniu maszynowym jest łączenie modeli w zespoły (ang. ensembling). Najprostsze podejście polega na uśrednieniu prognoz z kilku modeli. Bardziej zaawansowane podejście to przekazanie prognoz jednych modeli do kolejnego modelu, który wydaje ostateczne predykcje. Oba podejścia zazwyczaj poprawiają ogólną jakość wyników – o ile poszczególne modele są odpowiednio dobre. Warto przypomnieć, że lasy losowe również korzystają z łączenia wielu drzew decyzyjnych w zespół.

Aby połączyć prognozy naszych sieci neuronowych, wygenerujemy predykcje za pomocą 3 wcześniej zbudowanych modeli: modelu podstawowego, modelu z własną funkcją straty oraz modelu z dropoutem. Następnie połączymy prognozy funkcją .hstack() z biblioteki numpy i obliczymy ich średnie wierszowe za pomocą np.mean(predictions, axis=1).

Instrukcje

100 XP
  • Wygeneruj prognozy na zbiorach scaled_train_features i scaled_test_features dla 3 wytrenowanych modeli (model_1, model_2, model_3), używając metody .predict().
  • Połącz prognozy poziomo za pomocą np.hstack() w macierz, a następnie oblicz średnie wierszowe, aby uzyskać uśrednione prognozy dla zbiorów treningowego i testowego.