"Svagt" beslutsträd

I föregående övning byggde du två beslutsträd. Vilket av dem är finjusterat och vilket är "svagt"?

Beslutsträd "A":

min_samples_leaf = 3 och min_samples_split = 9
F1-poäng: ~58%

Beslutsträd "B":

max_depth = 4 och max_features = 2
F1-poäng: ~53%

Båda klassificerarna finns tillgängliga som clf_A och clf_B.

Den här övningen är en del av kursen

Ensemblemetoder i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Ensemblemetoder i Python

SkillTag.level.advancedSkillTag.label

4.9+

415 reviews

Starta kursen gratis

Har du svårt att avgöra vilken av dina modeller som passar bäst för ditt problem? Sluta leta efter den perfekta modellen och använd dem alla istället! I det här kapitlet lär du dig att kombinera flera modeller till en med hjälp av "Voting" och "Averaging". Du använder dessa för att förutsäga betyg på appar i Google Play Store, avgöra om en Pokémon är legendarisk, och ta reda på vilka karaktärer som kommer att dö i Game of Thrones!

Exercise 1: Introduktion till ensemblemetoder Exercise 2: Utforska Google-appsdata Exercise 3: Förutsäga betyget för en app Exercise 4: Röstning Exercise 5: Välj den bästa modellen Exercise 6: Bygg ditt första ensemble-system Exercise 7: Utvärdera ditt ensemble Exercise 8: Medelvärdesberäkning Exercise 9: Resa till Westeros Exercise 10: Förutsäga dödsfall i GoT Exercise 11: Mjuk vs. hård röstning

Bagging är ensemblemetoden bakom kraftfulla maskininlärningsalgoritmer som random forests. I det här kapitlet lär du dig teorin bakom tekniken och bygger dina egna bagging-modeller med scikit-learn.

Exercise 1: Styrkan hos "svaga" modeller Exercise 2: Begränsade och obegränsade beslutsträd Exercise 3: "Svagt" beslutsträd

Aktuell övning

Exercise 4: Bootstrap-aggregering Exercise 5: Träning med bootstrapping Exercise 6: Ett första försök med bagging Exercise 7: BaggingClassifier: grunderna Exercise 8: Bagging med scikit-learn Exercise 9: Kontrollera out-of-bag-poängen Exercise 10: Baggingparametrar: tips och tricks Exercise 11: Utforska UCI SECOM-data Exercise 12: En mer komplex baggingmodell Exercise 13: Finjustering av bagging-hyperparametrar

Boosting är en klass av ensemblelärningsalgoritmer som inkluderar prisbelönta modeller som AdaBoost. I det här kapitlet lär du dig om denna prisbelönta modell och använder den för att förutsäga intäkterna för prisbelönta filmer! Du lär dig också om gradientboostingalgoritmer som CatBoost och XGBoost.

Exercise 1: Gradvis inlärnings effektivitet Exercise 2: Introduktion till filmdatabasen Exercise 3: Utforska filmens särdrag Exercise 4: Förutsäga filmintäkter Exercise 5: Boosting för förutsedd intäkt Exercise 6: Adaptiv boosting: prisbelönt modell Exercise 7: Din första AdaBoost-modell Exercise 8: Trädbaserad AdaBoost-regression Exercise 9: Få ut det mesta av AdaBoost Exercise 10: Gradientboostning Exercise 11: Tillbaka till Google-apprecensioner Exercise 12: Sentimentanalys med GBM Exercise 13: Varianter av gradientboostning Exercise 14: Förutsägelse av filmintäkter med CatBoost Exercise 15: Boostningstävling: Light vs Extreme

Dags att se hur stacking fungerar i praktiken! I det här sista kapitlet lär du dig om ensemblemetoden stacking. Du lär dig att implementera den med scikit-learn och med biblioteket mlxtend! Du tillämpar stacking för att förutsäga om nordamerikanska svampar är ätliga, och återvänder till betygen för Google-appar med det här mer avancerade angreppssättet.

Exercise 1: Intuitionen bakom stacking Exercise 2: Utforska svampdatamängden Exercise 3: Förutsäga svampars ätlighet Exercise 4: K-närmaste grannar för svampar Exercise 5: Bygg ditt första stackade ensemble Exercise 6: Tillämpa stacking för att förutsäga appbetyg Exercise 7: Bygg stackningsklassificeraren Exercise 8: Staplade förutsägelser för appbetyg Exercise 9: Nu kör vi med mlxtend!Exercise 10: Ett första försök med mlxtend Exercise 11: Tillbaka till regression med stacking Exercise 12: Svampar: en fråga om liv och död Exercise 13: Sätt ihop allt till ett ensemble