1. Apprendre
    2. /
  2. Cours
    3. /
  3. Machine Learning для фінансів у Python
Connected

Exercice

Ансамблювання моделей

Один зі способів покращити прогнози моделей машинного навчання — ансамблювання. Базовий підхід — усереднити прогнози кількох моделей. Складніший підхід — подати прогнози моделей на вхід іншої моделі, яка формує фінальні передбачення. Обидва підходи зазвичай підвищують загальну якість (за умови, що окремі моделі достатньо хороші). Якщо пам'ятаєте, випадкові ліси також використовують ансамблювання багатьох дерев рішень.

Щоб застосувати ансамблювання до наших прогнозів нейромереж, ми зробимо прогнози трьома щойно створеними моделями — базовою, з кастомним функціоналом втрат і з дроп-аутом. Потім об'єднаємо прогнози за допомогою .hstack() з numpy та усереднимо їх по рядках за допомогою np.mean(predictions, axis=1).

Instructions

100 XP
  • Створіть прогнози на scaled_train_features і scaled_test_features для трьох навчених моделей (model_1, model_2, model_3) за допомогою методу .predict().
  • Горизонтально об'єднайте прогнози в матрицю (np.hstack()), а потім обчисліть середні по рядках, щоб отримати середні прогнози для тренувальної та тестової вибірок.