기계 학습을위한 서로 다른 예측기의 평균화

평균화 및 투표 시스템은 서로 다른 기계 학습을 혼합하여 사용할 때 잘 작동합니다 알고리즘. 이는 평균화 접근법이며 추정 분산을 줄일 수 없을 때 널리 사용됩니다. 데이터를 통해 배우려고 시도 할 때 다른 솔루션을 시도해야하므로 다양한 기계 학습 솔루션을 사용하여 데이터를 모델링해야합니다. 예측 평균을 사용하거나 예측 된 클래스를 세어 성공적으로 앙상블에 넣을 수 있는지 확인하는 것이 좋습니다. 혼합 된 모델이 분산 영향을받는 예측을 덜 생성 할 수있는 비 상관 예측을 포기하는 것과 같은 원리입니다. 효과적인 평균을 달성하려면

데이터를 교육 및 테스트 세트로 나눕니다.

1. 다양한 기계 학습 알고리즘으로 교육 데이터를 사용하십시오.
2. 각 알고리즘의 예측을 기록하고 테스트 세트를 사용하여 결과의 ​​실행 가능성을 평가합니다.
3. 사용 가능한 모든 예측을 서로 연관 짓습니다.
4. 상관 관계가 가장 적은 예측을 선택하고 결과를 평균화합니다. 또는 분류하는 경우 가장 관련성이 낮은 예측 그룹을 선택하고 각 예에 대해 대다수가 예측 한 클래스를 새로운 클래스 예측으로 선택합니다.
5. 테스트 데이터에 대해 새로 평균되거나 투표 대다수 예측을 테스트합니다. 성공한 경우 성공적인 앙상블의 모델 부분을 평균하여 최종 모델을 만듭니다.

가장 관련성이 낮은 모델을 이해하려면 예측을 하나씩 취하고 각 모델을 다른 모델과 상관 시키며 평균을 계산하여 평균 상관 관계를 얻으십시오. 평균 상관 관계 분석을 사용하여 평균화에 가장 적합한 선택한 예측의 순위를 매 깁니다.