Публикации по теме gradient-boosting

Публикации по теме 'gradient-boosting'

Сходства и различия между AdaBoost и GradientBoost

Сходства 1. И Adaboost, и градиентное усиление улучшают технику ансамбля. 2. Оба они пытаются компенсировать ошибки предыдущего дерева, поэтому порядок деревьев имеет значение. 3. В обоих из них говорят, что каждое дерево попадает в окончательный прогноз, не то же самое. Разница 1. Размер деревьев в Adaboost фиксирован, и они являются пнями (дерево, имеющее только 1 узел и 2 листа), они также известны как слабые ученики. Размер деревьев в GradientBoost также фиксирован, но..

Моделирование вероятности качания

Один из аспектов бейсбола, который очаровывал меня в течение многих лет, - это мысленная игра в шахматы, которая происходит между отбивающим и питчером во время игры с битой. Каждый игрок постоянно пытается залезть в голову своему противнику и угадать, что он может сделать дальше. Тестирующий может использовать свои знания о питчере, чтобы предсказать, попытается ли он бросить вызов нападающему фастболом или соблазнить его выгнать разбивающийся мяч из зоны. Тем временем питчер..

Первые шаги в машинном обучении - прогнозирование подписки на банковские депозиты

Как выполнять EDA, использовать конвейеры, поиск по сетке и простые классификаторы Для моего первого заключительного проекта для Springboard Data Science Career Track я решил изучить набор данных банковского маркетинга из репозитория машинного обучения UCI и применить набор стандартных моделей классификации, чтобы изучить, как они работают, и научиться находить лучший набор параметров модели, используя поиск по сетке и конвейеры. Набор данных был относительно чистым, поэтому не..

Повышение градиента: серебряная пуля в прогнозировании

Мы показываем, что повышение градиента очень эффективно для прогнозирования временных рядов, и пытаемся объяснить, почему Что такое повышение градиента? Градиентное повышение как серебряная пуля Почему повышение градиента так хорошо? Слово предостережения Приложение: Список конкурсов и опубликованных решений Прогнозирование временных рядов является важной задачей во многих областях, включая финансы, продажи и предсказание погоды. Хотя для этой цели широко..

Структурированный выбор ML-модели для вашей задачи

Занимаясь прикладным анализом данных, крайне важно тщательно продумать соответствующую методологию обработки ваших данных. Хотя однозначного ответа на вопрос о том, какой метод является лучшим, нет, тщательные размышления перед началом анализа могут сэкономить значительное время и предотвратить возможные неудачи в будущем. Несколько ключевых факторов должны определять ваш процесс принятия решений: Контекст приложения Желаемый результат вашего анализа должен быть центральным..

Сильное(её) повышение градиента

Идея поощрения в машинном обучении основана на вопросе, заданном Майклом Кернсом и Лесли Валиант в 1988/89 гг.: Может ли набор слабых учеников создать одного сильного ученика? В вышедшей год спустя основополагающей статье Сила слабой обучаемости Роберт Шапир дал утвердительный ответ на этот вопрос, описав метод преобразования слабого алгоритма обучения в алгоритм, обеспечивающий сколь угодно высокую точность . Слабый ученик — это тот, кто может выдвинуть гипотезу, которая..

Почему работает Boosting

Почему работает Boosting Повышение градиента - один из самых эффективных методов машинного обучения. В этом посте я расскажу, почему бустинг работает. TL; DL Boosting исправляет ошибки предыдущих учеников, подбирая шаблоны в остатках. Повышение В этом посте я рассмотрю бустинг с упором на создание интуитивного понимания того, почему этот метод работает. Большинство людей, занимающихся наукой о данных и машинным обучением, знают, что повышение градиента - один из самых мощных и..