or
Den här övningen är en del av kursen
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!
Aktuell övning
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.
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.
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.