Heus Habr! Invitamus Data Engineers et Machina Artium ad liberam Demo lectionem . Etiam edimus articulum Lucae Monno - Capitis Financial Analyticorum in CDP SpA.
Una utilissima et simplex machina methodi discendi est Ensemble Learning. Ensemble Doctrina modus est post XGBoost, Bagging, Random Silva et multa alia algorithms.
Articuli magni momenti sunt in Versus Data Scientiae, sed duas fabulas elegi ( ΠΈ ) quod maxime amavi. Cur igitur alium articulum de EL scribis? Quia volo tibi ostendere quomodo simplici exemplo operetur; quo me intelligere magica non esse.
Cum primum in actione EL vidi (cum simplicissimis quibusdam exemplaribus regressionis operantibus) oculis meis credere non potui, et professoris adhuc recordor qui me hanc methodum docuit.
Exempla duo diversa habui (algorithmorum exercitationes duas infirmas) cum metricis e-of-sample R' = 0,90 et 0,93, respective. Priusquam eventum inspicerem, cogitavi RΒ² alicubi inter duo bona originalia remissurum. Aliis verbis credidi EL adhiberi posse ut exemplar praestare non tam male quam pessimum exemplar, sed non tum ut optimum exemplar praestare possem.
Ad magnam admirationem, solum fere praedictiones RΒ² 0,95.
Errorem primo quaerebam, sed tunc cogitavi ut hic latebras magicas esse posset!
Quid est Ensemble Learning
Cum EL praedictiones duorum vel plurium exemplorum coniungere potes ut exemplar robustius et praestantius producat. Multae methodologiae in exemplaribus encomiis operandi sunt. Hic duo utilissima ad sententiam perstringam.
cum regressus fieri potest ut mediocris effectus exemplorum promptorum.
cum genus Exempla occasionem dare potes pittacia eligendi. Titulus, qui saepissime electus est, ille est qui novo exemplari eligetur.
Cur EL melius operatur
Praecipua ratio cur EL melius perfecerit est quia omnis praedictio errorem habet (ex probabili theoria hoc scimus), coniungendo duas praedictiones errorem iuvare potest, ac propterea metrica opera meliorem efficiendi (RMSE, RΒ², etc.). d.).
Sequens schema ostendit quomodo duo algorithmi debiles in notitia certa operantur. Primum algorithmus latiorem clivum habet quam opus est, secunda vero paene nulla (fortasse propter plus ordinationis). Sed Ensemble multo meliores eventus ostendit.
Si indicatorum R spectes, tunc algorithmus prima et secunda institutio erit = -0.01ΒΉ, 0.22, respective, dum pro synagoga erit = 0.73.
Multae sunt causae quare algorithmus malum exemplar esse potest etiam in exemplo fundamentali huius modi: fortasse decrevistis utere regularizationem ad vitandum superfluitatem, vel non decrevisti aliquas anomalias excludere, vel forte regressionem polynomiam usus es et iniuriam obtinuit. gradus (exempli gratia, usi sumus polynomia secundi gradus, et notitia probata manifestam asymmetriam ostendit cui aptior esset tertius gradus).
Cum EL melius operatur
Intueamur duas litteras algorithms eadem data operando.
Hic videre potes quod duo exempla coniungendo non multum perficiendo meliorem fecerunt. Initio, pro duabus algorithmis exercitationibus, indices RΒ² -0,37 et 0,22 pares erant, respective, et pro signo factum esse -0,04. Hoc est, EL exemplar mediocris valoris indicatorum accepit.
Sed multum interest inter haec duo exempla: in primo exemplo, exemplar errorum negative connectuntur, et in secundo positive connectuntur (coefficientes trium exemplorum non aestimati sunt, sed simpliciter electi; auctoris exemplo).
Ideo Ensemble Doctrina adhiberi potest ad stateram discordantium meliorationem in quolibet casu, sed quando Exemplar errorum positive non connectuntur, utendo EL ad meliores effectus perducant.
Homogenea et heterogenea exempla
Saepissime EL in exemplaribus homogeneis (sicut in hoc exemplo vel temere silvae adhibetur), re vera exempla diversa (recessus linearis + reticularis neural + XGBoost) cum variis explicationibus variabilium notarum coniungi potest. Hoc in erroribus inconnexis et meliori operatione verisimile evenit.
Comparatio cum portfolio diversificationis
EL similiter facit diversificationem in theoria librario, sed tanto melius nobis.
Cum diversificando, reducere conaris variationem operis tui, nervum indissolubili collocando. Libra bene varia nervum melius quam pessima singula genera faciet, sed numquam melior quam optima.
Ut Warren Buffett:
"Diversio defensio contra ignorantiam est, ei qui quid agat nescit, parum sensus facit."
In doctrina machina, EL adiuvat repugnantiam exemplaris tui minuere, sed potest in exemplari altiore effectus melius quam in optimo originali.
Summatim
Coniungendo multa exempla in unum ars relative simplex est quae ducere potest ad problema contentiones solvendas et ad faciendum melius emendandum.
Si duo vel plura exempla habes quae bene operantur, noli inter eas eligere: omnibus utere (sed caute)!
Interest in hac parte enucleare? Demo gratis subscribere usque ad lectionem ac participare β Machina Learning Engineer at Mail.ru Group.
Source: www.habr.com