Bootstrap toplulaştırma

Python'da Ensemble Yöntemleri

Román de las Heras

Data Scientist, Appodeal

Heterojen vs. homojen topluluklar

Heterojen:

  • Farklı (ince ayarlı) algoritmalar
  • Az sayıda tahminleyici
  • Oylama, Ortalama, Stacking

Homojen:

  • Aynı algoritma ("zayıf" model)
  • Çok sayıda tahminleyici
  • Bagging ve Boosting
Python'da Ensemble Yöntemleri

Condorcet’nin Jüri Teoremi

Koşullar:

  • Modeller bağımsızdır
  • Her model rastgele tahminden iyidir
  • Tüm modeller benzer performanstadır

Sonuç: Daha fazla model eklemek topluluğun (Voting veya Averaging) başarımını artırır ve 1’e (%%100) yaklaşır

Condorcet Condorcet Markisi, Fransız filozof ve matematikçi

Python'da Ensemble Yöntemleri

Bootstrapping

Bootstrapping şunları gerektirir:

  • Rastgele alt örnekler
  • Yeniden örnekleme (geri koyarak)

Bootstrapping şunları sağlar:

  • Çeşitli grup: farklı veri kümeleri
  • Bağımsız: ayrı ayrı örneklenmiş

Bagging.png

Python'da Ensemble Yöntemleri

Bagging’in artıları ve eksileri

Artılar

  • Bagging genelde varyansı azaltır
  • Aşırı uyum toplulukla önlenebilir
  • Daha kararlı ve dayanıklı

Eksiler

  • Hesaplama maliyeti yüksektir
Python'da Ensemble Yöntemleri

Passons à la pratique !

Python'da Ensemble Yöntemleri

Preparing Video For Download...