是否常為了要從你建立的多個模型中挑出「最佳」而苦惱？其實不必糾結，直接把它們一起用吧！在本章中，你將學會如何用「Voting」與「Averaging」把多個模型合併為一個。你會用這些方法來預測 Google Play 商店的應用程式評分、判斷寶可夢是否為傳說等級，以及預測《冰與火之歌：權力遊戲》中哪些角色會死亡！

集成方法入門

探索 Google 應用程式資料

預測 App 的評分

投票（Voting）

選擇最佳模型

組裝你的第一個集成模型

評估你的集成模型

Averaging（取平均）

啟程前往維斯特洛

預測《冰與火之歌：權力遊戲》的死亡

Soft 與 hard voting

結合多個模型

Bagging 是多種強大機器學習演算法（例如隨機森林）的底層 Ensemble 方法。這一章你會學到此技術的理論，並使用 scikit-learn 親手建立自己的 bagging 模型。

「弱」模型的威力

受限與不受限的決策樹

「弱」決策樹

Bootstrap 聚合（Bagging）

以自助抽樣進行訓練

Bagging 的第一次嘗試

BaggingClassifier：基本原理與實作重點

Bagging：使用 scikit-learn 的作法

檢查 out-of-bag 分數

Bagging 參數：技巧與實務

探索 UCI SECOM 資料

更進一步的 bagging 模型

調整 bagging 的超參數

Bagging

Boosting 是一類 Ensemble 學習演算法，其中包含屢獲獎項的模型，如 AdaBoost。在本章中，你將學習這個得獎模型，並用它來預測得獎電影的票房收入！你也會學到像 CatBoost 與 XGBoost 這類的梯度提升演算法。

漸進式學習的效果

認識電影資料庫

探索電影特徵

預測電影營收

提升預測營收

Adaptive boosting：得獎無數的模型

你的第一個 AdaBoost 模型

以樹為基礎的 AdaBoost 迴歸

讓 AdaBoost 發揮最大效益

Gradient Boosting

回到 Google 應用程式評論

使用 GBM 進行情緒分析

Gradient boosting 的各種風味

使用 CatBoost 預測電影營收

Boosting 對決：Light vs Extreme

Boosting

準備看看模型如何「層層相疊」！在最後一章，你將學習 stacking 這種 Ensemble 方法。你會學到如何用 scikit-learn 以及 mlxtend 來實作它！你會把 stacking 應用在預測北美蘑菇是否可食用，並以更進階的方法重新探討 Google 應用程式的評分。

Stacking 的直覺

探索 mushroom 資料集

預測蘑菇是否可食

以 K-nearest neighbors 分類蘑菇

建立你的第一個堆疊式集成模型

套用 stacking 預測 App 評分

建立 stacking 分類器

針對應用程式評分的堆疊預測

換個方式：用 mlxtend 吧！

使用 mlxtend 的第一次嘗試

用 stacking 回到迴歸問題

香菇：攸關生死

把所有模型疊在一起

Stacking

TMDb (The Movie Database)

Pokémon

Game of Thrones

SECOM (Semiconductor Manufacturing)

App ratings

App reviews

繼續你的機器學習旅程，深入探索 Ensemble 學習的世界！這是一類把多個演算法結合起來以提升效能、並能在各行各業大規模解決複雜問題的技術。Ensemble 技術也常在各種線上機器學習競賽中獲勝！
在本課程中，你將學習各種進階的 Ensemble 技術，例如 bagging、boosting 與 stacking。你會使用 scikit-learn、XGBoost、CatBoost 和 mlxtend 等尖端的 Python 機器學習函式庫，把它們應用到真實世界的資料集。

Linear Classifiers in Python

Machine Learning with Tree-Based Models in Python

學習如何使用集成技術如袋裝、提升和堆疊在Python中構建高級且有效的機器學習模型。

Python 的 Ensemble 方法

掌握如何在 Python 中運用集成技術（bagging、boosting、stacking）打造高效進階機器學習模型。

換個方式：用 mlxtend 吧！

Create Your Free Account