طريقة مجموعة التراص. فهم التراص باستخدام scikit-Learn. | بواسطة يوان موكين

فهم التراص باستخدام scikit-Learn

اكتشف قوة التراص في التعلم الآلي – وهي تقنية تجمع بين نماذج متعددة في أداة تنبؤ واحدة قوية. يستكشف هذا المقال التراص بدءًا من الأساسيات وحتى التقنيات المتقدمة، ويكشف النقاب عن كيفية مزج نقاط القوة في النماذج المتنوعة لتحسين الدقة. سواء كنت جديدًا في مجال التكديس أو تسعى إلى إستراتيجيات التحسين، يقدم هذا الدليل رؤى ونصائح عملية لرفع مستوى لعبة النمذجة التنبؤية الخاصة بك باستخدام scikit-learn.

على الرغم من أن هذه المقالة تعتمد على scikit-Learn، إلا أنني أقدم في النهاية فئة Python خالصة تنفذ وتحاكي نماذج التراص الخاصة بـ scikit-Learn. تعد مراجعة تطبيق Python النقي طريقة ممتازة لمواجهة واختبار فهمك.

وفي هذه التدوينة سنرى:

• كيف يعد التراص جزءًا من تقنيات المجموعة في تعلم الآلة
• كيف يعمل التراص داخليًا لتقديم التنبؤات
• كيف يتم تركيبها
• ما هو “إعادة”
• كيف يمكن إنشاء مكدس متعدد الطبقات
• كيف ولماذا يجب علينا فحص أداء النماذج الأساسية
• كيفية ضبط وتحسين استخدام نماذج المكدس

إذا كنت تحب أو ترغب في تعلم التعلم الآلي باستخدام scikit-learn، فاطلع على سلسلتي التعليمية على هذه الحزمة الرائعة:

برنامج سكليرن التعليمي

جميع الصور من قبل المؤلف.

التكديس هو أسلوب جماعي في التعلم الآلي، مما يعني أنه يجمع عدة “نماذج أساسية” في “نموذج فائق” واحد. توجد العديد من تقنيات المجموعة المختلفة وهي جزء من بعض أفضل التقنيات أداءً في التعلم الآلي التقليدي.

أعني بـ “النماذج الأساسية” أي نموذج تقليدي قد تكون واجهته – تلك التي يمكنك استيرادها وملاءمتها والتنبؤ بها مباشرةً من scikit-learn. تلك النماذج الأساسية هي على سبيل المثال:

• الانحدار الخطي أو الانحدار اللوجستي (و…