Video: What really happens when you mix medications? | Russ Altman 2025
Sia i sistemi di calcolo della media che di voto possono funzionare bene anche quando si utilizza un mix di differenti machine learning algoritmi. Questo è l'approccio in media ed è ampiamente utilizzato quando non è possibile ridurre la varianza delle stime.
Mentre cerchi di imparare dai dati, devi provare diverse soluzioni, modellando così i tuoi dati utilizzando diverse soluzioni di apprendimento automatico. È buona norma verificare se è possibile inserirne alcuni in insiemi utilizzando le medie di previsione o contando le classi previste. Il principio è lo stesso di insaccare previsioni non correlate, quando i modelli mescolati insieme possono produrre previsioni meno influenzate dalla varianza. Per ottenere una media efficace, è necessario
- Dividi i tuoi dati in training e set di test.
- Utilizzare i dati di allenamento con diversi algoritmi di apprendimento automatico.
- Registrare le previsioni di ciascun algoritmo e valutare la fattibilità del risultato utilizzando il set di test.
- Correla tutte le previsioni disponibili l'una con l'altra.
- Scegli le previsioni che correlano meno e media il loro risultato. Oppure, se stai classificando, scegli un gruppo di previsioni meno correlate e, per ogni esempio, scegli come nuova previsione di classe la classe che la maggior parte di loro ha previsto.
- Prova la previsione della nuova media o votata a maggioranza rispetto ai dati del test. In caso di successo, crei il modello finale calcolando la media dei risultati della parte dei modelli dell'ensemble di successo.
Per capire quali modelli sono meno correlati, prendere le previsioni una per una, correlare ciascuna contro le altre e calcolare la media delle correlazioni per ottenere una correlazione media. Utilizzare la correlazione media per classificare le previsioni selezionate che sono più adatte per la media.
