Como ensemble de métodos para aumentar a previsão de precisão analítica
Como no mundo real, então com a multiplicidade de modelos analíticos preditivos: Onde há unidade, há uma força. Vários modelos podem ser combinados de maneiras diferentes de fazer previsões. Você pode então aplicar o modelo combinado - chamado de modelo de conjunto
Conteúdo
Aqui está uma maneira de usar um modelo de conjunto:
Dividir os dados de treinamento em vários conjuntos.
Tem cada um dos modelos individuais que compõem as partes de processos modelo de conjunto de dados e aprender com ele.
Faça com que cada modelo de produzir seu resultado de aprendizagem a partir desses dados.
Video: #QUÍMICA - UTILIZANDO A BALANÇA ANALÍTICA
Por enquanto, tudo bem. Mas, a fim de obter o modelo de conjunto de prever um futuro rótulo classe ou categoria para novos dados e tomar uma decisão, você tem que executar os novos dados através de todos os treinados models- cada modelo prevê uma etiqueta classe. Em seguida, com base na classificação coletiva ou previsão, você pode gerar uma previsão geral.
Você pode gerar essa previsão geral, simplesmente implementando um mecanismo de votação que decide o resultado final. Uma técnica de votação poderia usar o rótulo que a maioria dos modelos de prever como o rótulo que o modelo de conjunto produz como seu resultado.
Suponha que você queira construir um modelo que irá prever se uma entrada de e-mail é spam. Suponha que os dados de treinamento consiste em um conjunto de e-mails em que alguns são spam e outros não são. Depois, você pode distribuir o conjunto de dados para uma série de modelos para fins de treinamento.
Em seguida, os modelos treinados processar um e-mail de entrada. Se a maioria dos modelos de classificá-lo como spam, então o modelo conjunto dá o endereço de e-mail do rótulo final de spam.
Video: Práticas de Laboratório - Técnicas de Pesagem
Outra forma de implementar um modelo de conjunto é pesar a precisão de cada modelo que você está construindo no modelo de conjunto contra a exatidão de todos os outros modelos da conjunto:
Você atribui um peso específico (precisão) para cada modelo.
Este peso irá variar de um conjunto de dados para o próximo e de um problema de negócios para o próximo.
Depois que os modelos são treinados, você pode usar dados de teste onde você sabe a classificação de cada ponto de dados nos dados de teste.
Avaliar a previsão feita por cada modelo para cada caso de teste.
Aumentar o peso para os modelos que preditos correctamente e diminuir o peso para os modelos que classificados os dados de forma incorrecta.
Video: Técnicas de pesagem