Metode ansambla

Sadržaj

Metode ansambla se korsite kako bi se povećala tačnost predikcija u mašinksom učenju. Ansambl metode se koriste za kombinovanje više modela kako bi se smanjila varijabilnost i povećala tačnost predikcija.

Bootstrap aggregating (Bagging)

•  Generisanje više verzija originalnog skupa podataka koji se koristi za treniranje modela
•  Treniranje više modela
•  Odabir najboljih predikcija

Boosting

•  Serije iteracija kojima se treniraju modeli
•  Svaki novi model se fokusira na teže podatke koji su prethodni modeli pogrešno predvideli
•  Odabir najboljih predikcija

Stacking

•  Kombinovanje rezultata više različitih modela kako bi se dobio bolji konačni model
•  Treniranje više različitih modela na istom skupu podataka
•  Treniranje „meta-modela“ na rezultatima svih prethodnih modela

Random Forest

•  Korišćenje više stabala odluke (decision trees) koji su trenirani na različitim podskupovima podataka
•  Odabir najboljih predikcija

Gradient Boosting

•  Kombinovanje serija slabih modela koji su trenirani narazličitim podskupovima podataka kako bi se dobio jak model
•  Svaki novi model se fokusira na teže podatke koji su prethodni modeli pogrešno predvideli 

Datumi

• Na upit

Investicija

• 690 EUR po polazniku + PDV.
• PDV na usluge treninga je 20%
• PDV možete da odbijete u poslovnim knjigama.