Я теоретически (вроде) понимаю, как они будут работать, но не уверен, как на самом деле использовать метод ансамбля (такой как голосование, взвешенные смеси и т. Д.).
- Каковы хорошие ресурсы для реализации методов ансамбля?
- Существуют ли какие-либо конкретные ресурсы относительно реализации в Python?
РЕДАКТИРОВАТЬ:
Чтобы прояснить некоторые из них, основываясь на обсуждении комментариев, я не ищу ансамблевые алгоритмы, такие как randomForest и т. Д. Вместо этого мне интересно, как можно объединить разные классификации из разных алгоритмов.
Например, скажем, кто-то использует логистическую регрессию, SVM и некоторые другие методы, чтобы предсказать класс определенного наблюдения. Каков наилучший способ получения наилучшей оценки класса на основе этих прогнозов?
источник
«Методы ансамбля в интеллектуальном анализе данных: повышение точности за счет комбинирования прогнозов», Сени и старейшина - Отличный справочник по практической теории и реализации ансамбля, но сопровождающий код основан на R.
«Машинное обучение: Алгоритмическая перспектива», С. Марсланд - Отличный практический текст на основе Python, но не настолько посвященный чисто ансамблевым концепциям, как первая ссылка.
источник
Ответ Стампи Джо Пита был идеальным, но так как вы упомянули о реализации Python, я хотел упомянуть проект brew от Universidade Federal de Pernambuco.
https://github.com/viisar/brew
На этом этапе у них есть генерация ансамбля, комбинация, сокращение и динамический выбор.
Ограничения: только классификация; нет стека в текущей публичной версии; не много документации.
источник
Salford Systems имеет пакет программного обеспечения под названием «Случайные леса», который реализует это для ансамблей дерева классификации и регрессии. У меня нет бесплатных пакетов R, чтобы предложить. Я предполагаю, что у них есть руководство пользователя, которое объяснит их реализацию. По аналогии вы, вероятно, могли бы выяснить, как это сделать для других методов ансамбля.
источник
Я нашел этот урок, который был чрезвычайно полезным. Он не отвечает на все вопросы, но я думаю, что это хорошее начало для обсуждения: http://vikparuchuri.com/blog/intro-to-ensemble-learning-in-r/
источник
Scikit-Learn ensembling руководство обеспечивает упаковки в пакеты и повышения мета-классификаторов и регрессоров. Кроме того, библиотека mlxtend предоставляет реализации метаклассификаторов стека и регрессоров.
источник