Vídeo: Daniel Wolpert: The real reason for brains 2024
Ambos os sistemas de votação e de média também podem funcionar bem quando você usa uma mistura de aprendizado de máquina diferente algoritmos. Esta é a abordagem em média, e é amplamente utilizada quando você não consegue reduzir a variação da estimativa.
Ao tentar aprender com os dados, você deve tentar diferentes soluções, modelando assim seus dados usando diferentes soluções de aprendizado de máquina. É uma boa prática verificar se você pode colocar alguns deles com sucesso em conjuntos usando médias de previsão ou contando as classes previstas. O princípio é o mesmo que no ensacamento de previsões não correlacionadas, quando os modelos misturados podem produzir previsões menos afetadas pela variação. Para obter uma média efetiva, você deve
- Divida seus dados em conjuntos de treinamento e teste.
- Use os dados de treinamento com diferentes algoritmos de aprendizado de máquina.
- Registre as previsões de cada algoritmo e avalie a viabilidade do resultado usando o conjunto de teste.
- Correla todas as previsões disponíveis entre si.
- Escolha as previsões que menos se correlacionam e a média do resultado. Ou, se você estiver classificando, escolha um grupo de previsões menos correlacionadas e, para cada exemplo, escolha como uma nova predição de classe a classe que a maioria deles previu.
- Teste a previsão de média ou maioria votada por maioria contra os dados do teste. Se for bem sucedido, você cria seu modelo final, calculando a média dos resultados da parte dos modelos do conjunto bem sucedido.
Para entender quais modelos se correlacionam menos, adote as previsões um a um, correlacionem cada um com os outros e medem as correlações para obter uma correlação média. Use a correlação média para classificar as previsões selecionadas que são mais adequadas para a média.
