ensemble-learning

    2熱度

    1回答

    xgb.plot.tree佈局

    我讀的例子結果XGB notebook和xgb.plot.tree命令在PIC這樣的： 然而，當我做同樣的事情我有一個像這樣的圖像，它們是兩個單獨的圖形，也是不同的顏色。 是正常嗎？兩棵樹是兩棵樹嗎？
    r xgboost ensemble-learning 2017-08-06

    0熱度

    1回答

    在使用插入符號包進行多個模型的培訓時出錯

    在R中使用插入符號包時，我正面臨一個非常混亂的問題。爲了進行比較，我正在訓練多個模型。打了幾個電話訓練後，此錯誤信息開始顯示它曾經培養呼叫/火車模型使用： - 錯誤UseMethod（「訓練」）：適用於對「訓練」沒有適用的方法類「公式」的對象 一旦出現此錯誤，則不會訓練其他模型，但會出現上述錯誤。 當我重新啓動R並重新加載插入符號包時，出現此錯誤的相同模型可輕鬆培訓。 我很困惑這裏似乎是什麼問題？
    r machine-learning r-caret ensemble-learning 2017-10-07

    0熱度

    1回答

    機器學習分類集合

    我有一個關於機器學習中分類器集合的問題。我已閱讀約Ensemble methods，但我不能把他們與我在想什麼。 如果我對於多類問題有幾個分類器，並且某些分類器對某些類比其他分類器表現出更好的性能，那麼我怎樣才能利用我的合奏中的這個特性？ 例如。 分類器A在第1類中得分高於其餘。 分類B在第2類中得分高於其餘兩類。 分類C在第3類中的分數高於其餘分類。 我該如何做一個整體，讓我更加重視分類器A中類
    ensemble-learning 2017-08-23

    1熱度

    1回答

    如何調整權重值分級（Sklearn）

    我努力做到以下幾點： vc = VotingClassifier(estimators=[('gbc',GradientBoostingClassifier()), ('rf',RandomForestClassifier()),('svc',SVC(probability=True))], voting='soft',n_jobs=-1) params
    scikit-learn prediction ensemble-learning 2017-10-16

    -2熱度

    1回答

    如何使用ada boosting作爲R中的集合方法？

    我想學習集成方法，並發現ada-boosting可以建立在普通機器學習方法（如隨機森林）之上。該方法可以使用訓練集中的錯誤分類數據來建立更準確的分類模型。 但是，我在網上搜索，但我找不到執行的答案。 我想知道如何在隨機森林的頂部爲分類問題構建一個ada-boosting來最小化錯誤？ 讓我們只說我有一個 訓練集（DF）：火車 測試集（DF）：測試 和多項功能叫做：特徵。 ，分級被稱爲：結果（火車$
    r machine-learning classification adaboost ensemble-learning 2017-10-17

    1熱度

    2回答

    如何合併具有相同輸入的keras連續模型？

    我想在keras中創建我的第一個合奏模型。我的數據集中有3個輸入值和一個輸出值。 from keras.optimizers import SGD,Adam from keras.layers import Dense,Merge from keras.models import Sequential model1 = Sequential() model1.add(Dense(3, i
    python keras keras-layer ensemble-learning 2017-08-29

    0熱度

    1回答

    R caret整套CV長度不正確

    我試圖在R中使用包caretEnsemble來合成模型。這裏是一個最小可重現的示例。請讓我知道這是否應該有額外的信息。 library(caret) library(caretEnsemble) library(xgboost) library(plyr) # Load iris data and convert to binary classification problem da
    r cross-validation r-caret ensemble-learning 2017-08-29

    0熱度

    1回答

    合成模型和平均模型有什麼區別？

    在機器翻譯中，序列到序列模型變得非常流行。他們經常使用一些技巧來提高性能，例如集合或平均一組模型。這裏的邏輯是錯誤將會「平均」。 據我所知，平均值模型是簡單地取X模型參數的平均值，然後創建一個可用於解碼測試數據的單一模型。 合奏，然而平均每個模型輸出。這要花費更多的資源，因爲X模型必須提供輸出，而平均模型只能在測試數據上運行一次。 這裏的區別究竟是什麼？輸出如何不同？在我的測試中，兩種方法都比基線
    machine-learning deep-learning machine-translation ensemble-learning sequence-to-sequence 2017-09-06

    0熱度

    1回答

    TS對象不forecastHybrid包hybridModel認可

    數據是這樣的： df <- tribble( ~y,~timestamp 18.74682, 1500256800, 19.00424, 1500260400, 18.86993, 1500264000, 18.74960, 1500267600, 18.99854, 1500271200, 18.85443, 150
    r time-series forecasting hybrid ensemble-learning 2017-08-01

    0熱度

    1回答

    H2o.ensemble：family < - 「gaussian」，family = gamma的錯誤需要肯定的響應

    h2o.ensemble錯誤（x = x，y = y，training_frame = train，family = family，：family = gamma要求正輸入反應 回溯： h2o.ensemble（X = X，Y = Y，training_frame =火車，家族=家庭， 學習者=學習者，metalearner = metalearner，cvControl =列表（V = 5。 。
    r gaussian h2o ensemble-learning 2017-08-02
最新問題