Если у меня есть два очень разных набора данных и два очень разных метода классификации, есть ли хороший способ объединить два выхода? Я понимаю, что средний может работать, но есть ли более подходящий способ сделать это? Я слышал о нескольких концепциях, таких как усиление и ансамблевое обучение, применимы ли они?Как объединить два выхода алгоритма машинного обучения?
0
A
ответ
2
Существует два общих способа решения этой проблемы. Первый, называемый , повышающий, использует взвешенное голосование для принятия решения о прогнозе. Основная идея - объединить преимущества обоих классификаторов.
Второй подход, называемый укладка, использует выходные сигналы двух классификаторов, как предлагается в другой классификатор (возможно, с другими функциями, например оригинальными), а также использовать выход конечного классификатора для прогнозирования.
При отсутствии дальнейших подробностей, это лучший ответ, который я могу дать.
См. Bagging, boosting and stacking in machine learning о Stats.SE для получения дополнительной информации.
Смежные вопросы
- 1. Предложение алгоритма машинного обучения?
- 2. Выбор алгоритма машинного обучения
- 3. Статистическое сравнение алгоритма машинного обучения
- 4. Как повысить эффективность контролируемого алгоритма машинного обучения
- 5. Поезд MFCC с использованием машинного алгоритма обучения
- 6. использования Функции для машинного обучения алгоритма
- 7. Получить отрицательные результаты от алгоритма машинного обучения
- 8. Выбор алгоритма машинного обучения для базового уровня
- 9. Оценка алгоритмов машинного обучения
- 10. Как использовать SIFT/SURF как функции для алгоритма машинного обучения?
- 11. Как сделать исследование данных перед выбором любого алгоритма машинного обучения
- 12. комплексов машинного обучения применение
- 13. Различные размеры моделей машинного обучения?
- 14. Как решить задачу машинного обучения?
- 15. извлечение параметров из машинного обучения
- 16. простой машинного обучения программа
- 17. Сентиментальный анализ твитов в python с использованием алгоритма машинного обучения
- 18. Что такое метрики для оценки алгоритма машинного обучения
- 19. Создание словаря функций для алгоритма машинного обучения Python (наивные байки)
- 20. Модель машинного обучения экспорта
- 21. Точность машинного обучения 0
- 22. Среда разработки машинного обучения
- 23. Образцы машинного обучения
- 24. Как обновлены модели машинного обучения?
- 25. Масштабирование машинного обучения
- 26. Обзор машинного обучения
- 27. Требуется стратегия машинного обучения
- 28. Как подойти к программированию программирования машинного обучения
- 29. Предварительная обработка данных машинного обучения
- 30. Классификация машинного обучения AdaBoost для C#