Sức mạnh của các mô hình “yếu”

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.

Bài tập này là một phần của khóa học

Ensemble Methods in Python

SkillTag.level.advancedSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Bạn có gặp khó khăn khi xác định mô hình nào bạn đã xây dựng là tốt nhất cho bài toán của mình? Hãy ngừng cố chọn một mô hình duy nhất và thay vào đó hãy dùng tất cả! Ở chương này, bạn sẽ học cách kết hợp nhiều mô hình thành một bằng "Voting" và "Averaging". Bạn sẽ dùng chúng để dự đoán điểm đánh giá của các ứng dụng trên Google Play Store, liệu một Pokémon có phải là huyền thoại hay không, và nhân vật nào sẽ chết trong Game of Thrones!

Exercise 1: Giới thiệu về các phương pháp ensemble Exercise 2: Khám phá dữ liệu ứng dụng Google Exercise 3: Dự đoán xếp hạng của một ứng dụng Exercise 4: Bỏ phiếu Exercise 5: Chọn mô hình tốt nhất Exercise 6: Lắp ráp ensemble đầu tiên của bạn Exercise 7: Đánh giá ensemble của bạn Exercise 8: Averaging Exercise 9: Hành trình đến Westeros Exercise 10: Dự đoán cái chết trong GoT Exercise 11: Soft so với hard voting

Bagging là phương pháp ensemble đứng sau các thuật toán Machine Learning mạnh mẽ như random forests. Trong chương này, bạn sẽ học lý thuyết đằng sau kỹ thuật này và tự xây dựng các mô hình bagging bằng scikit-learn.

Exercise 1: Sức mạnh của các mô hình “yếu”

Bài tập hiện tại

Exercise 2: Cây quyết định bị giới hạn và không bị giới hạn Exercise 3: Cây quyết định "yếu"Exercise 4: Gộp mẫu Bootstrap (bagging)Exercise 5: Huấn luyện với bootstrapping Exercise 6: Thử nghiệm bagging lần đầu Exercise 7: BaggingClassifier: chi tiết kỹ thuật Exercise 8: Bagging: theo cách của scikit-learn Exercise 9: Kiểm tra out-of-bag score Exercise 10: Tham số của bagging: mẹo và thủ thuật Exercise 11: Khám phá dữ liệu UCI SECOM Exercise 12: Một mô hình bagging phức tạp hơn Exercise 13: Tinh chỉnh siêu tham số cho bagging

Boosting là một nhóm thuật toán ensemble bao gồm các mô hình đoạt giải như AdaBoost. Trong chương này, bạn sẽ tìm hiểu về mô hình đoạt giải này và dùng nó để dự đoán doanh thu của các bộ phim đoạt giải! Bạn cũng sẽ học về các thuật toán gradient boosting như CatBoost và XGBoost.

Exercise 1: Hiệu quả của học dần từng bước Exercise 2: Làm quen với cơ sở dữ liệu phim Exercise 3: Khám phá các đặc trưng của phim Exercise 4: Dự đoán doanh thu phim Exercise 5: Boosting để dự đoán doanh thu Exercise 6: Adaptive boosting: mô hình đoạt giải Exercise 7: Mô hình AdaBoost đầu tiên của bạn Exercise 8: Hồi quy AdaBoost dựa trên cây Exercise 9: Khai thác tối đa AdaBoost Exercise 10: Gradient boosting Exercise 11: Xem lại đánh giá ứng dụng Google Exercise 12: Phân tích cảm xúc với GBM Exercise 13: Các biến thể của gradient boosting Exercise 14: Dự đoán doanh thu phim với CatBoost Exercise 15: Cuộc thi boosting: Light vs Extreme

Sẵn sàng xem cách mọi thứ được xếp lớp nhé! Trong chương cuối này, bạn sẽ học về phương pháp ensemble stacking. Bạn sẽ học cách hiện thực hóa nó bằng scikit-learn cũng như với thư viện mlxtend! Bạn sẽ áp dụng stacking để dự đoán khả năng ăn được của nấm ở Bắc Mỹ, và quay lại dự đoán điểm đánh giá ứng dụng Google với cách tiếp cận nâng cao hơn này.

Exercise 1: Trực giác đằng sau stacking Exercise 2: Khám phá bộ dữ liệu nấm Exercise 3: Dự đoán nấm ăn được hay không Exercise 4: K-nearest neighbors cho nấm Exercise 5: Xây dựng mô hình xếp chồng (stacking) đầu tiên của bạn Exercise 6: Áp dụng stacking để dự đoán xếp hạng ứng dụng Exercise 7: Xây dựng bộ phân loại stacking Exercise 8: Dự đoán xếp chồng cho điểm đánh giá ứng dụng Exercise 9: Cùng dùng mlxtend nào!Exercise 10: Thử nghiệm đầu tiên với mlxtend Exercise 11: Quay lại hồi quy với stacking Exercise 12: Nấm: chuyện sống còn Exercise 13: Phối hợp mọi thứ lại với nhau