Puede intentar usar las salidas de probabilidad de los modelos individuales como entradas en otra regresión (apilamiento: aprendizaje en conjunto). Solo asegúrese de dividir sus conjuntos de entrenamiento / prueba para que la regresión del modelo apilado se entrene en datos invisibles.
Si desea ser realmente elegante, puede usar el apilamiento ponderado de funciones (página en arxiv.org) que le permite entrenar pesos de modelos basados en metaparámetros. Este enfoque se utilizó con cierto éxito en el Premio Netflix.
Como ejemplo, RF podría funcionar mejor en películas que han sido calificadas por muchos usuarios, pero LR funciona mejor donde hay muy pocas clasificaciones. El modelo de conjunto pesaría los modelos individuales en consecuencia al aplicarlo contra una película en particular.
- Si, en el futuro, los robots / IA se vuelven comunes en los hogares, ¿cuál es el lenguaje de programación más probable en el que se escribirán?
- Cómo detectar texto / imágenes en una imagen de documento
- ¿Por qué no reescalamos el vector de coeficiente de una regresión de lazo?
- Cómo comenzar con la visión por computadora
- ¿Cuál es una buena fuente para aprender la optimización convexa?
