Forskjellige forutsigere for maskinlæring - dummier

Både gjennomsnitt og stemme systemer kan også fungere bra når du bruker en blanding av forskjellig maskinlæring algoritmer. Dette er gjennomsnittlig tilnærming, og den brukes mye når du ikke kan redusere estimatavviket.

Når du prøver å lære av data, må du prøve forskjellige løsninger, og dermed modellere dataene dine ved hjelp av ulike maskinlæringsløsninger. Det er god praksis å sjekke om du kan sette noen av dem vellykket inn i ensembler ved hjelp av prediksjonsmidlene eller ved å telle de forutsagte klassene. Prinsippet er det samme som i bagging noncorrelated spådommer, når modeller blandet sammen kan produsere mindre varians-berørte prediksjoner. For å oppnå effektiv gjennomsnittlig må du

1. Del dataene dine i trenings- og testsett.
2. Bruk opplæringsdataene med forskjellige maskinlæringsalgoritmer.
3. Ta opp spådommer fra hver algoritme og evaluer levedyktigheten av resultatet ved hjelp av testsettet.
4. Korrelere alle spådommene som er tilgjengelige med hverandre.
5. Velg prognosene som minst korrelerer og gjennomsnittsresultatet deres. Eller, hvis du klassifiserer, velg en gruppe minst korrelerte spådommer, og for hvert eksempel, velg som en ny klasse forutsigelse klassen at de fleste av dem forutslo.
6. Test den nye gjennomsnittlige eller stemmeberegning for flertallspåmelding mot testdataene. Hvis du lykkes, lager du din endelige modell ved å beregne resultatene av modelldelen av det vellykkede ensemblet.

For å forstå hvilke modeller som korrelerer minst, ta prognosene en etter en, korrelere hverandre mot de andre, og gjennomsnitt korrelasjonene for å oppnå en gjennomsnittlig korrelasjon. Bruk gjennomsnittlig korrelasjon til å rangere de valgte spådommene som er mest egnede for gjennomsnitt.