没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
6页
kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,kaggle教程,方案分析,竞赛资料,竞赛方案参考,
资源推荐
资源详情
资源评论
超越stacking, 使用optuna对多模型进行加权融合
2023-01-08原文
以下文章来源于算法美食屋 ,作者梁云1991
算法美食屋
.
从前~有一个有毅力的吃货~把复杂的算法~做成了美食~
多模型加权融合是一个常见的提升机器学习效果的方案。
但是各个模型的权重如何确定呢?
有些方案是使用线性回归或者逻辑回归模型进行学习,这种方案一般叫做s
tacking
ensemble,但是这种方案一般是对可微的Loss进行优化的,无法直接对auc,
acc等不可微的评价指标进行优化。
由于optuna是一个强大的不可微问题调优工具,我们可以使用它来寻找模
型融合的权重,直接对auc,acc等不可微的评价指标进行优化,当给予足够
的搜索次数时,其结果相比stacking ensemble通常更加有竞争力。
公众号后台回复关键词:optuna,获取B站视频讲解演示和notebook源代
码。
资源评论
白话机器学习
- 粉丝: 8463
- 资源: 7685
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功