機械学習のための異なる予測器を平均化する - ダミー

異なる機械学習の組み合わせを使用すると、平均化と投票システムの両方が正常に機能することがありますアルゴリズム。これは 平均化アプローチであり、推定分散を減らすことができない場合に広く使用されています。 データから学ぶときには、さまざまなソリューションを試して、異なる機械学習ソリューションを使用してデータをモデリングする必要があります。予測平均を使用して、または予測されたクラスを数えることで、それらの一部をアンサンブルにうまく収めることができるかどうかを確認することをお勧めします。この原則は、混合されたモデルが分散の影響を受けにくい予測を生成することができる、非相関予測を包括する場合と同じです。効果的な平均化を達成するには、

<！ - 1 - >

データをトレーニングセットとテストセットに分けます。

1. さまざまな機械学習アルゴリズムでトレーニングデータを使用します。
2. 各アルゴリズムからの予測を記録し、テストセットを使用して結果の実行可能性を評価する。
3. 利用可能なすべての予測を相互に関連付けます。
4. 最も相関の低い予測結果を平均して平均します。または、分類している場合は、最も関連性の低い予測のグループを選択し、それぞれの例について、予測したクラスの大多数を新しいクラス予測として選択します。
5. テストデータに対して新たに平均化されたまたは多数決された予測をテストする。成功した場合は、成功したアンサンブルのモデル部分の結果を平均して最終的なモデルを作成します。
6. <！ - 2 - >

最も相関の少ないモデルを理解するには、予測を1つずつ取り、それぞれを互いに相関させ、相関を平均して平均相関を得る。平均した相関を使用して、平均化に最も適した選択された予測をランク付けします。