Contenu du cours

Apprentissage Ensembliste

1. Principes de Base de la Construction de Modèles d'Ensemble

Qu'est-ce Qu'un Ensemble de Modèles ?Modèles de Bagging Modèles de Boosting Empilement de Modèles

2. Modèles de Bagging Couramment Utilisés

Classificateur de Bagging Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging Régression par Ensachage Défi : Résoudre la Tâche en Utilisant le Régressseur de Bagging Forêt Aléatoire Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random Arbres Supplémentaires

3. Modèles de Boosting Couramment Utilisés

Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant le Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant AdaBoost Regressor Amélioration du Gradient XGBoost Défi : Résoudre la Tâche en Utilisant XGBoost

4. Modèles de Stacking Couramment Utilisés

Classificateur d'Empilement Défi : Résoudre la Tâche en Utilisant un Classificateur de Stacking Défi : Résoudre la Tâche en Utilisant un Stacking Regressor Utilisation des Ensembles comme Modèles de Base Résumé du Cours

Défi : Résoudre la Tâche en Utilisant un Stacking Regressor

Stacking Regressor est un modèle d'apprentissage ensembliste de stacking utilisé pour résoudre des tâches de régression. Le principe de fonctionnement de ce modèle est similaire au Stacking Classifier : la seule différence est que nous utilisons des algorithmes de régression comme modèles de base et méta-modèles de l'ensemble.
Nous pouvons utiliser la classe StackingRegressor de la bibliothèque sklearn pour implémenter ce modèle en Python.

Tâche

Swipe to start coding

Le jeu de données make_friedman1 est un jeu de données synthétique fréquemment utilisé pour les tâches de régression en apprentissage automatique. Ce jeu de données est largement utilisé dans les tutoriels de régression et l'expérimentation car il est simple, mais peut être personnalisé avec différents niveaux de bruit et dimensions de caractéristiques pour simuler divers scénarios de régression.

Votre tâche est de résoudre la tâche de régression sur le jeu de données Friedman en utilisant Stacking Regressor :

Fournissez une division en sous-ensembles d'entraînement et de test du jeu de données d'entraînement : la proportion du jeu de données à inclure dans la division de test doit être 0.2.
Utilisez Decision Tree Regressor avec max_depth égal à 3 comme l'un des modèles de base.
Créez un modèle Stacking Regressor en utilisant des modèles de base et un méta-modèle.
Ajustez le modèle Stacking Regressor sur les données d'entraînement.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 3

Défi : Résoudre la Tâche en Utilisant un Stacking Regressor

Tâche

Swipe to start coding

Votre tâche est de résoudre la tâche de régression sur le jeu de données Friedman en utilisant Stacking Regressor :

Fournissez une division en sous-ensembles d'entraînement et de test du jeu de données d'entraînement : la proportion du jeu de données à inclure dans la division de test doit être 0.2.
Utilisez Decision Tree Regressor avec max_depth égal à 3 comme l'un des modèles de base.
Créez un modèle Stacking Regressor en utilisant des modèles de base et un méta-modèle.
Ajustez le modèle Stacking Regressor sur les données d'entraînement.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 4. Chapitre 3

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous