Aprendizagem Ensemble Básica (Floresta Aleatória, AdaBoost, Intensificação de Gradiente) – Explicação Passo a Passo

Uma explicação passo a passo dos três principais algoritmos de aprendizado de conjuntos baseados em árvores.

Lujing Chen Blocked Desbloquear Seguir Seguindo 2 de janeiro Foto de kazuend em Unsplash

Nós todos fazemos isso. Antes de tomarmos grandes decisões, pedimos a opinião das pessoas, como nossos amigos, nossos familiares, até mesmo nossos cães / gatos, para nos impedir de ser preconceituosos ou irracionais.

O modelo também faz isso. é muito comum que o modelo individual sofra de viés ou variações e é por isso que precisamos aprendizagem de conjunto .

Aprendizagem nsemble E, em geral, é um modelo que faz previsões com base em uma série de modelos diferentes. Combinando modelos individuais, o modelo conjunto tende a ser mais flexível???? (menos polarizado) e menos sensível a dados???? (menos variação).

Dois métodos de ensemble mais populares são o ensacamento e o reforço .

  • Ensacamento: Treinar vários modelos individuais de forma paralela. Cada modelo é treinado por um subconjunto aleatório dos dados
  • Boosting: Treine vários modelos individuais de forma sequencial. Cada modelo individual aprende com os erros cometidos pelo modelo anterior.

Com uma compreensão básica do que é ensemble de aprendizagem, vamos cultivar algumas “árvores” ?.

O conteúdo a seguir abordará a explicação passo a passo sobre Random Forest, AdaBoost e Gradient Boosting e sua implementação no Python Sklearn.