是否总为挑选哪个模型最适合您的问题而发愁？不必再纠结了——把它们都用上吧！本章将学习如何用 "Voting" 和 "Averaging" 将多个模型合并为一个模型。您将用它们来预测 Google Play 商店应用的评分、某个 Pokémon 是否为传说级，以及《权力的游戏》中哪些角色会死亡。

集成方法简介

探索 Google 应用数据

预测应用的评分

Voting

选择最佳模型

组装您的第一个集成模型

评估您的集成模型

Averaging

踏上维斯特洛之旅

预测《权力的游戏》角色生死

软投票 vs. 硬投票

组合多个模型

Bagging 是随机森林等强大机器学习算法背后的集成方法。本章将讲解该技术的原理，并带您使用 scikit-learn 构建自己的 bagging 模型。

"弱"模型的强大之处

受限与不受限的决策树

"弱"决策树

自助聚合（Bootstrap aggregating）

使用自助法训练

首次尝试 bagging

BaggingClassifier：基本用法与细节

Bagging：scikit-learn 实现

检查袋外评分

Bagging 参数：技巧与实践

探索 UCI SECOM 数据

更复杂的 Bagging 模型

调优 Bagging 的超参数

Bagging

Boosting 是一类集成学习算法，其中包括多次获奖的 AdaBoost 模型。本章将介绍这一广受认可的模型，并用它来预测屡获殊荣电影的票房收入。同时，您还将学习 CatBoost 与 XGBoost 等梯度提升算法。

循序渐进学习的有效性

电影数据库简介

探索电影特征

预测电影收入

用于预测收入的 Boosting

自适应提升：屡获殊荣的模型

您的第一个 AdaBoost 模型

基于树的 AdaBoost 回归

充分发挥 AdaBoost 的威力

Gradient boosting（梯度提升）

回看 Google 应用评论

使用 GBM 的情感分析

梯度 boosting 的多种风格

使用 CatBoost 预测电影收入

Boosting 对决：Light vs Extreme

Boosting

准备看看如何"堆叠"取胜吧！在最后一章中，您将学习 stacking 集成方法。您会了解如何用 scikit-learn 实现它，以及如何借助 mlxtend 实现。随后，您将把 stacking 应用于预测北美蘑菇的可食用性，并用这一更高级的方法重新评估 Google 应用的评分。

Stacking 的直觉与原理

探索蘑菇数据集

预测蘑菇是否可食用

用于蘑菇数据的 K 最近邻

构建您的第一个堆叠集成模型

应用 stacking 预测应用评分

构建堆叠分类器

应用评分的堆叠预测

让我们用 mlxtend 来实现！

用 mlxtend 的首次尝试

回到回归：使用 stacking

蘑菇：关乎生死的判断

把所有集成方法串起来

Stacking

TMDb (The Movie Database)

Pokémon

Game of Thrones

SECOM (Semiconductor Manufacturing)

App ratings

App reviews

继续您的机器学习之旅，深入学习精彩的集成学习方法吧！这类技术会将多个独立算法结合起来，以提升性能，并在各行业的大规模问题中发挥作用。集成技术也经常在各类线上机器学习竞赛中夺冠！
在本课程中，您将系统学习这些高级集成技术，如 bagging、boosting 和 stacking。您还会使用 scikit-learn、XGBoost、CatBoost 和 mlxtend 等前沿 Python 机器学习库，将它们应用到真实数据集上。

Linear Classifiers in Python

Machine Learning with Tree-Based Models in Python

学习如何使用集成技术（如袋装、提升和堆叠）在Python中构建高级有效的机器学习模型。

Python 中的集成方法

学习如何使用 bagging、boosting 和 stacking 等集成技术，在 Python 中构建高级且高效的机器学习模型。

自适应提升：屡获殊荣的模型

Create Your Free Account