这次赛题学习的最后一个任务,是学校如何使用集成学习提高预测精度。知识点包括:集成学习方法,深度学习中的集成学习和结果后处理思路。(虽然我跑一次要一天,还不一定成功,但要坚持学习)
1、集成学习方法
常见的集成学习方法有堆叠,装袋和提升,同时这些集成学习方法与具体验证集划分联系紧密。
下面假设建造了10折交叉验证,训练得到10个CNN模型。
那么在10个CNN模型可以使用如下方式进行集成:
- 对预测的结果的概率值进行平均,然后解码为特定字符
- 对预测的字符进行投票,得到最终字符。
2、深度学习中的集成学习
- 辍学
在每个训练期间中,通过随机让其的一部分停止工作。同时在预测的过程中让所有的中断都其作用。
辍学经常出现在先有的CNN网络中,可以有效的缓解模型过拟合的情况,也可以在预测时增加模型的精度。
加入Dropout后的网络结构如下:
#定义模型
class SVHN_Model1(nn.model):
def __init__(self):
super(SVHN_Model1, self).__init__()
#CNN提取特征模块
self.nn = nn.Sequential(
nn.Conv2d(