En muchos proyectos de ML del mundo real, existe la necesidad de ensamblar modelos complejos y mantener tuberías: la predicción final viene como un compuesto de predicciones de algoritmos individuales de aprendizaje automático. Para hacer el mejor modelo compuesto, debe probar docenas de combinaciones de pesos para el conjunto de modelos. Se necesita mucho tiempo para encontrar el mejor.
Aquí hay un ejemplo práctico de la vida real de manejar desafíos técnicos comunes de construir tales tuberías para el aprendizaje conjunto usando scripts basados en R junto con la herramienta DVC (Data Version Control) basada en Python para predecir las ventas de vino. Una metodología de predicción de conjunto utilizada en el proyecto basada en un conjunto ponderado de tres modelos: ML Model Ensembling with Fast Iterations
- Regresión lineal
- GBM
- XGBOOST
- ¿Puede una red neuronal humana llegar a un estado de equilibrio como una red neuronal artificial?
- ¿Podría alguien usar la inteligencia artificial para alterar la Ley de Atracción para sí mismo como una máquina de deseos?
- ¿Ultron era un poco tonto por la IA?
- ¿Cómo puede un bebé aprender a caminar sin resolver conscientemente un problema de control dinámico?
- Cómo implementar una aplicación de aprendizaje automático que se ejecuta continuamente