or
Ця вправа є частиною курсу
Вам складно визначити, яка з побудованих вами моделей найкраща для вашої задачі? Не варто обирати одну — краще використайте їх усі! У цьому розділі ви навчитеся поєднувати кілька моделей в одну за допомогою «Voting» і «Averaging». Ви застосуєте ці підходи, щоб передбачати рейтинги застосунків у Google Play Store, визначати, чи є Pokémon легендарним, і хто з персонажів може загинути в «Грі престолів».
Поточна вправа
Bagging — це ансамблевий метод, на якому ґрунтуються потужні алгоритми машинного навчання, зокрема випадкові ліси. У цьому розділі ви вивчите теорію цього підходу та побудуєте власні моделі bagging у scikit-learn.
Boosting — це клас ансамблевих алгоритмів навчання, до якого входять відзначені нагородами моделі, наприклад AdaBoost. У цьому розділі ви познайомитеся з цією відомою моделлю та використаєте її, щоб передбачити касові збори фільмів-лауреатів! Ви також дізнаєтеся про алгоритми градієнтного бустингу, такі як CatBoost і XGBoost.
Побачимо, як усе складається докупи! У фінальному розділі ви вивчите ансамблевий метод stacking. Ви навчитеся реалізовувати його в scikit-learn, а також за допомогою бібліотеки mlxtend. Ви застосуєте stacking, щоб передбачити їстівність північноамериканських грибів, і знову повернетеся до рейтингів застосунків Google з цим більш просунутим підходом.