IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 集成学习-stacking -> 正文阅读

[人工智能]集成学习-stacking

Stacking集成算法是一个两层模型的集成,第一层含有多个基础分类器,把预测的结果(元特征)提供给第二层,而第二层的分类器通常是逻辑回归,将第一层分类器的结果当作特征做拟合输出预测结果。

1、Blending集成学习算法

Blending集成学习的流程:

  • (1)将数据划分为训练集和测试集(test set),其中训练集需要再次划分为训练集(train set)和验证集(val set).
  • (2)创建第一层的多个模型,这些模型可以是同质或者异质。
  • (3)使用 train set训练步骤2中的多个模型,然后使用训练好的模型预测val set和test set得到val predict,test predict.
  • (4)创建第二层的模型,使用val predict作为训练集训练第二层的模型。
  • (5)使用第二层训练好的模型对第二层测试集test predict 进行预测,该结果作为整个测试集的结果。

Blending集成方式的优势是实现简单粗暴,没有太多的理论分析。但是缺点很明显:Blending只使用了一部分数据集作为测试集进行验证,也就是只用上数据中的一部分,实际上这对数据来说很奢侈浪费。

2、Stacking集成学习算法

回顾Blending集成算法,第二层模型只用到验证集的数据,对数据实际上是一种很大的浪费。stacking集成方法对其进行了改进,在第一层模型中对数据的划分类似于交叉验证,而不是简单的划分为训练集和测试集,针对不同的model采用不同的数据集。
在这里插入图片描述

3、两种算法的对比

Blending与Stacking对比:
Blending的优点在于:

  • 比stacking简单(因为针对一层模型,训练集直接划分为了两个部分)
    而缺点在于:
  • 使用了很少的数据(采样hold-out作为测试集,并非cv)
  • blending可能会过拟合(其实大概率是第一点导致的)
  • stacking使用多次的cv会比较稳健。
  人工智能 最新文章
ros-melodic安装解决sudo rosdep init问题
ner数据扩充脚本例子
机器学习sklearn-逻辑回归制作评分卡
梯度下降代码
常见激活函数及tensorflow使用
torch.squeeze()和torch.unsqueeze()简要介
GLUE标准数据集
机器学习(九)------K-Means实现鸢尾花聚类
Miniconda安装pytorch
opencv图片处理
上一篇文章      下一篇文章      查看所有文章
加:2021-08-27 11:51:08  更:2021-08-27 11:52:18 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
360图书馆 购物 三丰科技 阅读网 日历 万年历 2022年1日历 -2022/1/20 1:15:08-
图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码