Модели машинного обучения с большим успехом использовались во многих различных областях приложений, включая классификацию изображений, обработку естественного языка и безопасность, и это лишь некоторые из них. В этом сообщении блога мы рассмотрим ансемблирование , которое представляет собой набор методов объединения моделей для создания более мощной модели. Методы ансамбля доказали свою ценность как в академических, так и в отраслевых условиях, и здесь мы рассмотрим некоторые исходные..

Как вы уже знаете, способ получить наилучшие результаты с помощью машинного обучения - это использовать несколько моделей и комбинировать их для создания более совершенных моделей, чем каждая по отдельности. В основном существует три способа их комбинирования, но да… названия просто ужасны и всегда приводят к путанице… Что за слово упаковка означает? и да! Конечно, я хочу улучшить свою модель, но как ?! Упаковка и штабелирование - это те вещи, которые легко понять, пойдем!..

XGBoost — это библиотека программирования с открытым исходным кодом, которая предоставляет структуру повышения наклона для C++, Java, Python, R, Julia, Perl и Scala. Он отходит от Linux, Windows и macOS. Из венчурного образа он планирует предоставить «Адаптируемую, портативную и распределенную библиотеку повышения градиента (GBM, GBRT, GBDT)». Он работает на одной машине, как и соответствующие системы подготовки Apache Hadoop, Apache Spark и Apache Flink. В последнее время он стал намного..