第五次打卡 模型融合

模型融合

目的:对于多种调参完成的模型进行融合
类型:

  1. 简单加权融合
    回归: 算术平均融合、几何平均融合
    分类: 投票
    综合: 排序融合、log融合
  2. stacking/blending
    构建多层模型,并利用预测结果再拟合预测
  3. boosting/bagging
    树提升

stacking

stacking就是用初始数据学习出若干个学习器后,将这几个学习器作为新的训练集,来学习一个新的学习器。

在不同模型预测的结果基础上,合并预测集,再加上一层模型,与真实训练集进行训练,从而得到模型的最终预测。但是使用初始模型训练过的标签再训练,可能会导致一定的模型过拟合情况,模型在测试集上的泛化能力会有一定的降低,这里有两种方法降低再训练的过拟合性。

  1. 次级模型尽量选择简单的线性模型
  2. 利用k折交叉验证
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值