CSDN|如何提高模型性能?这几个方法值得尝试 | CSDN 博文精选( 四 )


final_preds=0.5* preds_a +0.25* preds_b +0.1* preds_c +0.15* preds_d 还有许多其他变体 , 比如你可以对预测结果先取指数再做平均 。 一般来说 , 简单的加权平均 ,其权重在验证数据上进行最优化 , 这是一个很强大的基准方法 。 想要保证集成方法有效 , 关键在于这组分类器的多样性(diversity) 。 多样性就是力量 。 如 果所有盲人都只摸到大象的鼻子 , 那么他们会一致认为大象像蛇 , 并且永远不会知道大象的真 实模样 。 是多样性让集成方法能够取得良好效果 。 用机器学习的术语来说 , 如果所有模型的偏 差都在同一个方向上 , 那么集成也会保留同样的偏差 。 如果各个模型的偏差在不同方向上 , 那么这些偏差会彼此抵消 , 集成结果会更加稳定、更加准确 。
版权声明:本文为CSDN博主「BoCong-Deng」的原创文章 。
【CSDN|如何提高模型性能?这几个方法值得尝试 | CSDN 博文精选】原文:https://blog.csdn.net/DBC_121/article/details/107515163
更多精彩推荐点分享点点赞点在看


推荐阅读