Публикации по теме 'gradient-boosting'
Деревья решений с градиентным усилением - объяснение
С подробным объяснением ускорения и реализации scikit-learn
Дерево решений строится на итеративном задании вопросов для разделения данных. Проще концептуализировать разделение данных с помощью визуального представления дерева решений:
Одно дерево решений склонно к переобучению. Чтобы снизить риск переобучения, предпочтительны модели, сочетающие множество деревьев решений. Эти комбинированные модели также обладают лучшими характеристиками с точки зрения точности. Случайные леса..
Под капотом повышения градиента и его реализации на Python
Техники повышения
Под капотом Gradient Boosting и его реализации на Python
Повышение эффективности алгоритмов машинного обучения - Часть 3
До сих пор мы обсуждали общее значение повышения и некоторые важные технические термины в Части 1 . Мы также обсудили Python-реализацию AdaBoost (Adaptive Boosting) в Части 2 .
Сегодня мы обсудим еще один важный алгоритм повышения: Повышение градиента . Это отличная альтернатива AdaBoost, и иногда она может превзойти AdaBoost...
Демистификация математики повышения градиента
В этой статье обсуждаются концепции, лежащие в основе математического алгоритма повышения градиента.
Вступление
Повышение - это метод коллективного обучения. Концептуально эти методы включают: 1. учебная база учащихся; 2. Использование всех моделей для окончательного прогноза . Методы ансамблевого обучения бывают разных типов, и все они отличаются друг от друга с точки зрения того, как они реализуют процесс обучения для базовых учащихся, а затем используют их результаты для..
Методы повышения
Теория бустинга
Ускорение — это концепция , а не алгоритм машинного обучения. Вместо этого рассмотрите это как метод, применяемый к существующему алгоритму машинного обучения. Однако наиболее широко он применяется к дереву решений, потому что именно там он дает наилучшие результаты.
Это итеративный метод построения сильной модели, который учитывает недостатки слабых алгоритмов, разработанных в том же наборе данных. Он объединяет результаты слабых учеников для создания сильного..
Разгадка шаблона проектирования физико-информированных нейронных сетей: часть 03
Повышение производительности PINN с помощью градиентной тренировки
Добро пожаловать в третий блог этой серии, где мы продолжаем наше увлекательное путешествие по изучению шаблонов проектирования нейронных сетей, основанных на физике (PINN).
Как обычно, я буду структурировать этот блог следующим образом:
проблема , конкретная проблема, которую пытается решить предлагаемая стратегия; решение , ключевые компоненты предлагаемой стратегии, как она реализуется и почему она может..
Прогнозирование цен на природный газ с использованием нейронных сетей и классификационных сценариев
задача прогнозирования, решаемая путем непрерывного движения цены и направления движения цены
Прогноз цен на природный газ с использованием нейронных сетей и классификационных сценариев
Примеры использования анализа временных рядов с регрессией и классификацией
Https://sarit-maitra.medium.com/membership
ПРОГНОЗИРОВАНИЕ временных рядов - сложная задача, особенно когда мы имеем дело со стохастическими ценовыми рядами биржевых данных. Что ж, здесь стохастик означает..
Повышение градиента от теории к практике (часть 2)
Используйте классы повышения градиента в Scikit-Learn для решения различных задач классификации и регрессии.
В первой части этой статьи мы представили алгоритм повышения градиента и показали его реализацию в псевдокоде.
В этой части статьи мы рассмотрим классы в Scikit-Learn, которые реализуют этот алгоритм, обсудим их различные параметры и продемонстрируем, как их использовать для решения нескольких задач классификации и регрессии.
Хотя библиотека XGBoost (о которой будет..