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.