Awọn ipilẹ Itọsọna
Awọn ọna akojọpọ ati Igbelaruge Gradient
Awọn ọna akojọpọ darapọ awọn awoṣe asọtẹlẹ pupọ.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
Bagging ni ibamu si awọn awoṣe si awọn apẹẹrẹ bootstrap ati pe o ṣajọpọ wọn; Igbelaruge iwọntunwọnsi n ṣafikun awọn akẹkọ alailagbara lẹsẹsẹ lati dinku pipadanu. Awọn ọna wọnyi nigbagbogbo jẹ awọn aṣayan ti o lagbara fun data eleto, ṣugbọn iṣẹ ṣiṣe da lori dataset ati igbelewọn.
Jin Dive
Apoti n kọ awọn oludiwọn lori data ti a tunṣe ati ṣajọpọ awọn abajade wọn, nigbagbogbo dinku iyatọ. Igbelaruge Gradient ṣe agbero awọn iṣiro leralera; Igbesẹ kọọkan ni ibamu si iṣẹ ti o ni ibatan si iwọn odi ti isonu lọwọlọwọ. Oṣuwọn ẹkọ n dinku idasi igi kọọkan, lakoko ti o fi opin si ijinle, iṣapẹẹrẹ ila, iṣapẹẹrẹ ẹya, ati idiju iṣakoso isọdọtun miiran. Awọn imuse bii scikit-learn gradient boosting, XGBoost, LightGBM, ati CatBoost yatọ ni atilẹyin ohun to, mimu isọri, ati apẹrẹ awọn ọna ṣiṣe. Igi ensembles ni o wa nigbagbogbo ifigagbaga lori tabular isoro, sugbon ko si ebi awoṣe AamiEye gbogbo.
Real-World imuse
Lo igbo laileto bi ipilẹ apo fun data isọdi eleto.
Lo imudara gradient lati ṣe awoṣe awọn ibatan alailẹgbẹ laarin awọn ẹya tabular.
Tun ìjìnlẹ̀ igi ṣe, ìlà/ẹ̀yà ìṣàpẹẹrẹ, àti ìwọ̀n ẹ̀kọ́ lórí dátà ìmúdájú.
Ṣe afiwe apejọ kan lodi si awọn ipilẹ ti o rọrun ati nkankikan pẹlu ṣeto idanwo-jade.
Ọjọ iwaju ti Awọn ọna Ijọpọ ati Igbelaruge Gradient
Awọn akojọpọ igi tẹsiwaju lati gba awọn ilọsiwaju imọ-ẹrọ ni ṣiṣe, atilẹyin ẹya-ara, ati lilo imuyara. Yiyan ti o yẹ da lori iwọn data, awọn oriṣi ẹya, lairi, awọn iwulo itumọ, ati awọn abajade afọwọsi; lo iṣẹ ṣiṣe tiwọn ju ki o ro pe idile kan dara julọ.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Awọn ipinnu diẹ sii. O ṣe iranlọwọ fun ọ lati ya sọtọ awọn iṣeduro imọ-ẹrọ lati ede tita.
- Iye owo ati isuna. O le beere awọn ibeere imuse to dara julọ ṣaaju lilo owo tabi akoko.
- Ẹgbẹ ati ṣiṣan iṣẹ. Awọn ẹgbẹ pẹlu oye pinpin ṣe ọja to dara julọ, eto imulo, ati awọn ipinnu ikẹkọ.
Ṣọra fun
- Awọn ẹgbẹ oriṣiriṣi le lo ọrọ kanna ni oriṣiriṣi, nitorinaa ṣalaye iwọn ni kutukutu.
- Awọn aṣepari le wo lagbara lakoko ti iṣẹ-aye gidi ko ṣe deede.
- Aibikita didara data ati awọn ero igbelewọn nigbagbogbo ṣẹda awọn abajade ẹlẹgẹ.
Next awọn igbesẹ
- Bẹrẹ pẹlu itumọ-ede itele ti abajade ti o nilo.
- Mu metiriki aṣeyọri kan ati ipo ikuna kan ṣaaju idanwo.
- Ṣiṣe awakọ kekere kan pẹlu data aṣoju, kii ṣe eto demo didan.
- Iwe-ipamọ nibiti Awọn ọna Ijọpọ ati Igbelaruge Gradient ṣe iranlọwọ ati nibiti awọn ọna ti o rọrun dara julọ.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Ensemble Methods and Gradient Boosting quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini Awọn ọna Ensemble ati Gradient Boosting?
Awọn ọna akojọpọ darapọ awọn awoṣe asọtẹlẹ pupọ. Bagging ni ibamu si awọn awoṣe si awọn apẹẹrẹ bootstrap ati pe o ṣajọpọ wọn; Igbelaruge iwọntunwọnsi n ṣafikun awọn akẹkọ alailagbara lẹsẹsẹ lati dinku pipadanu. Awọn ọna wọnyi nigbagbogbo jẹ awọn aṣayan ti o lagbara fun data eleto, ṣugbọn iṣẹ ṣiṣe da lori dataset ati igbelewọn.
Kini iṣẹ mojuto ni ọna akojọpọ kan?
Akopọ kan daapọ awọn abajade awoṣe; boya eyi ṣe ilọsiwaju deede tabi agbara da lori awọn ọmọ ẹgbẹ, data, ati ọna akojọpọ.
Bawo ni igbega gradient ṣe yato si apo ni iṣeto ikẹkọ deede?
Igbelaruge ṣe imudojuiwọn awoṣe ni ọkọọkan, lakoko ti apo bagging baamu awọn iṣiro si awọn ayẹwo bootstrap ni ominira, eyiti o fun laaye ni ibamu ni afiwe.
Ni igbega gradient, ibi-afẹde wo ni igi tuntun ṣe isunmọ?
Fun pipadanu ti o yan, igbelaruge ni ibamu si ibi-afẹde odi-gradient isunmọ, ti a npe ni apeso-aloku; kii ṣe nigbagbogbo aloku asọtẹlẹ gangan.
Kini ipa ti o ṣee ṣe ti lilo iwọn ẹkọ ti o kere ju ni igbega?
Idinku ṣe iwọn idasi igi kọọkan. Oṣuwọn kekere le mu ilọsiwaju pọ si ni diẹ ninu awọn eto, ṣugbọn o le nilo awọn igi afikun ati pe ko ṣe iṣeduro awọn abajade to dara julọ.
Iru igbewọle wo ni a lo ninu awọn apẹẹrẹ igi-giradient-igbelaruge ti a tọka ati awọn ikẹkọ?
Awọn ọna ṣiṣe igbega igi ti a mẹnuba ni a ṣe iṣiro lori data eleto / tabular; eyi ko tumọ si pe wọn jẹ gaba lori gbogbo dataset tabi ala.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii