ความแข็งแกร่งของโมเดล "อ่อนแอ"

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Ensemble Methods ใน Python

SkillTag.level.advancedSkillTag.label

4.9+

เริ่มคอร์สฟรี

หากยังลังเลว่าโมเดลไหนดีที่สุดสำหรับปัญหาของคุณ ลองเปลี่ยนมุมมองใหม่ แล้วใช้ทุกโมเดลพร้อมกันแทน! ในบทนี้จะได้เรียนรู้วิธีรวมโมเดลหลายตัวเป็นโมเดลเดียวด้วยเทคนิค "Voting" และ "Averaging" แล้วนำไปทำนายคะแนนแอปใน Google Play Store, ทำนายว่า Pokémon ตัวไหนเป็นระดับ legendary และทำนายว่าตัวละครใดจะเสียชีวิตใน Game of Thrones!

Exercise 1: Ensemble Methods เบื้องต้น Exercise 2: สำรวจข้อมูลแอปใน Google Play Exercise 3: การพยากรณ์คะแนนของแอป Exercise 4: การโหวต Exercise 5: เลือกโมเดลที่ดีที่สุด Exercise 6: สร้าง Ensemble ตัวแรกของคุณ Exercise 7: ประเมินผล Ensemble ของคุณ Exercise 8: การเฉลี่ย (Averaging)Exercise 9: สู่โลก Westeros Exercise 10: พยากรณ์การตายใน GoT Exercise 11: Soft voting เทียบกับ Hard voting

Bagging คือเทคนิค ensemble ที่อยู่เบื้องหลังอัลกอริทึม machine learning อันทรงพลังอย่าง random forests ในบทนี้จะได้เรียนรู้ทฤษฎีของเทคนิคนี้ และสร้างโมเดล bagging ด้วยตัวเองโดยใช้ scikit-learn

Exercise 1: ความแข็งแกร่งของโมเดล "อ่อนแอ"

แบบฝึกหัดปัจจุบัน

Exercise 2: ต้นไม้ตัดสินใจแบบมีข้อจำกัดและไม่มีข้อจำกัด Exercise 3: Decision tree แบบ "Weak"Exercise 4: Bootstrap Aggregating Exercise 5: การเทรนด้วย Bootstrapping Exercise 6: ก้าวแรกสู่การทำ Bagging Exercise 7: BaggingClassifier: รายละเอียดและการใช้งาน Exercise 8: Bagging แบบ scikit-learn Exercise 9: ตรวจสอบคะแนน Out-of-Bag Exercise 10: พารามิเตอร์ของ Bagging: เคล็ดลับและแนวปฏิบัติ Exercise 11: สำรวจข้อมูล UCI SECOM Exercise 12: โมเดล Bagging ที่ซับซ้อนขึ้น Exercise 13: การปรับ Hyperparameter ของ Bagging

Boosting เป็นกลุ่มอัลกอริทึม ensemble learning ที่มีโมเดลชื่อดังอย่าง AdaBoost ในบทนี้จะได้เรียนรู้เกี่ยวกับโมเดลนี้ และนำไปทำนายรายได้ของภาพยนตร์ที่โดดเด่น รวมถึงได้เรียนรู้อัลกอริทึม gradient boosting อย่าง CatBoost และ XGBoost ด้วย

Exercise 1: ประสิทธิผลของการเรียนรู้แบบค่อยเป็นค่อยไป Exercise 2: รู้จักกับฐานข้อมูลภาพยนตร์Exercise 3: สำรวจคุณลักษณะของภาพยนตร์Exercise 4: การพยากรณ์รายได้ภาพยนตร์Exercise 5: Boosting สำหรับการทำนายรายได้Exercise 6: Adaptive Boosting: โมเดลรางวัลชนะเลิศ Exercise 7: AdaBoost โมเดลแรกของคุณ Exercise 8: AdaBoost regression แบบ Tree-based Exercise 9: ดึงประสิทธิภาพสูงสุดจาก AdaBoost Exercise 10: Gradient boosting Exercise 11: กลับมาดูรีวิวแอป Google อีกครั้ง Exercise 12: การวิเคราะห์ความรู้สึกด้วย GBM Exercise 13: รูปแบบต่าง ๆ ของ Gradient Boosting Exercise 14: การพยากรณ์รายได้ภาพยนตร์ด้วย CatBoost Exercise 15: การแข่งขัน Boosting: Light vs Extreme

พร้อมแล้วหรือยังที่จะสำรวจ stacking! ในบทสุดท้ายนี้จะได้เรียนรู้เทคนิค ensemble แบบ stacking พร้อมวิธีนำไปใช้งานทั้งผ่าน scikit-learn และไลบรารี mlxtend จากนั้นจะได้นำ stacking ไปทำนายว่าเห็ดในอเมริกาเหนือกินได้หรือไม่ และกลับมาทำนายคะแนนแอป Google อีกครั้งด้วยแนวทางที่ล้ำกว่าเดิม

Exercise 1: แนวคิดเบื้องหลัง Stacking Exercise 2: สำรวจชุดข้อมูลเห็ด Exercise 3: พยากรณ์ความสามารถในการรับประทานของเห็ด Exercise 4: K-nearest neighbors สำหรับเห็ด Exercise 5: สร้าง Stacked Ensemble แรกของคุณ Exercise 6: นำ Stacking ไปใช้พยากรณ์คะแนนแอป Exercise 7: สร้าง stacking classifier Exercise 8: การทำนายแบบ Stacked สำหรับคะแนนแอป Exercise 9: มาใช้ mlxtend กันเถอะ!Exercise 10: ลองใช้ mlxtend เป็นครั้งแรก Exercise 11: กลับสู่การถดถอยด้วย Stacking Exercise 12: เห็ดพิษหรือเห็ดกิน: เรื่องที่ต้องระวัง Exercise 13: รวมทุกอย่างเข้าด้วย Ensemble