机器学习的集成方法，视频版

Ensemble Methods for Machine Learning, Video Edition

 视频说明

在 Video Editions 中，叙述者阅读书籍，同时内容、图形、代码列表、图表和文本显示在屏幕上。就像有声读物一样，您也可以作为视频观看。

Ensemble Machine Learning 结合了多种机器学习方法的强大功能，协同工作以提供高性能和高精度的模型。

在 Ensemble Methods for Machine Learning 中，您将找到：

• 分类、回归和建议的方法
• 复杂的现成 ensemble 实现
• 随机森林、提升和梯度提升
• 特征工程和集成多样性
• 集成方法的可解释性和可解释性

Ensemble 机器学习训练一组不同的机器学习模型协同工作，聚合它们的输出以提供比单个模型更丰富的结果。现在，在 Ensemble Methods for Machine Learning 中，您将发现在数据科学竞赛和实际应用中都有可靠记录的核心集成方法。动手案例研究向您展示了每种算法在生产中的工作原理。完成后，您将了解将集成机器学习应用于实际数据的好处、局限性和实用方法，并准备好构建更可解释的 ML 系统。

 关于技术
自动比较、对比和混合多个模型的输出，以从数据中获得最佳结果。集成机器学习应用了一种“群体智慧”方法，该方法避免了单个模型的不准确和局限性。通过基于多个视角的响应，即使没有大量数据集，这种创新方法也可以提供强大的预测。

 关于本书
机器学习的集成方法向您介绍同时应用多种 ML 方法的实用技术。每章都包含一个独特的案例研究，该案例研究演示了一种功能齐全的集成方法，示例包括医疗诊断、情感分析、笔迹分类等。没有复杂的数学或理论 – 您将以视觉优先的方式学习，并使用充足的代码进行轻松实验！

 里面有什么

• 装袋、提升和梯度提升
• 分类、回归和检索方法
• 集成方法的可解释性和可解释性
• 特征工程和集成多样性

 关于读者
适用于具有机器学习经验的 Python 程序员。

 关于作者
Gautam Kunapuli 在学术界和机器学习行业拥有超过 15 年的经验。