Gracias por A2A.
Personalmente uso una tubería con archivos MAKE porque puede combinar salidas de modelos independientemente de sus idiomas. Si está interesado, consulte la introducción y el ejemplo en Kaggler.
En Python, la forma más fácil de configurar una tubería de apilamiento es usar la tubería de scikit-learn y FeatureUnion. Este tutorial lo guía a través de cómo combinar salidas de diferentes modelos para crear características en detalle.
- ¿Puede un desarrollador de aprendizaje profundo atrapar criminales que abusan de niños?
- ¿Cuál sería un ejemplo de una función simple no convexa?
- ¿Los bancos de inversión como Goldman Sachs o JP Morgan utilizan el aprendizaje automático? ¿Contratan a un ingeniero de IA?
- ¿Cuál es la relación entre la teoría de la Gestalt y el aprendizaje profundo?
- ¿Cómo funciona el entrenamiento multi-gpu?
heamy es otro paquete de Python que admite el apilamiento, escrito por Kaggle Master, Artem Golubin (también conocido como rushter). Vea el ejemplo, así como Kaggle Kernel.
En Java, Kaggle Grandmaster, Mario Michailidis (también conocido como kazAnova) escribió StackNet. Incluye muchas implementaciones de ML populares. Echa un vistazo a esta introducción en No Free Hunch
Sin embargo, mi recomendación para el apilamiento o cualquier tubería de Kaggle es construir su propia tubería. Puede aprender y mejorar mucho diseñando y construyendo una tubería robusta reutilizable.
¡Buena suerte! 🙂