Video: Bancile propun medierea in conflictele cu clientii 2024
Ambele medii și sistemele de vot pot funcționa bine atunci când utilizați o combinație de învățare mecanică diferită algoritmi. Aceasta este abordarea medie și este folosită pe scară largă atunci când nu puteți reduce varianța de estimare.
În timp ce încercați să învățați din date, trebuie să încercați soluții diferite, modelarea datelor utilizând diferite soluții de învățare automată. Este o bună practică să verificați dacă le puteți pune cu succes în ansambluri folosind mediile de predicție sau prin numărarea claselor prezise. Principiul este același ca și în predicțiile noncorrelate, atunci când modelele combinate pot produce predicții mai puțin afectate de varianță. Pentru a obține o mediere eficientă, trebuie să
- Împărțiți datele în seturi de antrenament și de testare.
- Utilizați datele de antrenament cu algoritmi diferiți de învățare automată.
- Înregistrați predicțiile din fiecare algoritm și evaluați viabilitatea rezultatului folosind setul de test.
- Corelați toate predicțiile disponibile între ele.
- Alegeți previziunile care se corelează cel puțin și măsoară rezultatul lor. Sau, dacă clasificați, alegeți un grup de predicții mai puțin corelate și, pentru fiecare exemplu, alegeți ca predicție de clasă nouă clasa pe care majoritatea a prezis-o.
- Testați predicția nou medie sau votată cu majoritate împotriva datelor de testare. Dacă reușiți, creați modelul final prin medierea rezultatelor modelelor parte a ansamblului de succes.
Pentru a înțelege care dintre modele se corelează cu cel puțin, luați predicțiile unul câte unul, corelați fiecare dintre ele față de ceilalți și corelați-vă în medie pentru a obține o corelație medie. Utilizați corelația medie pentru a clasifica predicțiile selectate care sunt cele mai potrivite pentru mediere.