[So verwenden Sie Ensemble-Methoden im maschinellen Lernen in Python]

Einführung

• Beim Supervised Learning gibt es viele verschiedene Methoden, die bei der Vorhersage von Ergebnissen helfen, wie z. B. lineare oder logistische Regression, k-Nearest Neighbour, Random Forest und andere. Sie funktionieren oft am besten bei der genauen Vorhersage verschiedener Datenpunkte in der Population. Was ist noch besser, wenn Sie ein Modell erstellen können, das die Methoden kombiniert, um noch mehr Genauigkeit oder Präzision zu erzielen. Dies wird als Ensemble-Methode bezeichnet.
• Beaufsichtigtes Lernen gilt für eine Vielzahl von Bereichen, in denen Vorhersagen getroffen werden, einschließlich der öffentlichen Gesundheit, des Marketings und der Wirtschaft.
• In diesem Beitrag zeigen wir, wie wir maschinelles Lernen verwenden können, um ein Vorhersagemodell für Diabetes bei Pima-Indianern zu erstellen und wie Ensemble Learning die Vorhersagen verbessern kann.

Beim Ensemble-Lernen werden mehr als eine Vorhersagetechnik zusammengefügt, um ein genaueres Modell für Vorhersagen zu erstellen.

So geht's [Ensemble]

1. Bedeutung der Reinigung

2. Bedeutung von Domänenwissen

• Erste Inspektionen ergaben keine fehlenden Daten, aber die Hälfte der Bevölkerung hatte 0 für Insulin und 30 % der Bevölkerung hatten eine Hautfaltendicke von 0. Beides ist nicht machbar, daher waren diese Variablen unzuverlässig. Sie hätten unterstellt werden können, würden aber möglicherweise Vorhersagen verzerren.
• Probanden, bei denen andere Variablen 0 waren, wurden fallen gelassen und etwa 6% der Population entfernt.

Logistische Regression, k-nächster Nachbar und Klassifikationsbaum-Methoden wurden einzeln verwendet und dann zusammengefügt, um die Genauigkeit zu verbessern.

4) Verwendung der Kreuzvalidierungs- und Verwechslungsmatrix

Die Verwendung der Kreuzvalidierung (Aufteilung der Daten in 4 Gruppen und Verwendung von 75% der Daten zum Training und 25% zum Testen, während zwischen den 4 Gruppen für die Testgruppe rotiert wird) für das Ensemble-Lernen kann ein Modell erstellen, um Diabetes vorherzusagen oder nicht einigermaßen genau.

Schließen

Die Kombination verschiedener überwachter Lerntechniken führte zu einer genaueren Vorhersage als die Verwendung einer der überwachten Lerntechniken.

Aufruf zum Handeln

Das vollständige Jupyter Notebook für diese Analyse finden Sie hier https://github.com/NZRufus/Pima-Indians-Diabetes

und für weitere Informationen über Ensemble hier einige nützliche Links https://www.datacamp.com/community/tutorials/ensemble-learning-python ,

https://machinelearningmastery.com/ensemble-machine-learning-algorithms-python-scikit-learn/ , https://www.geeksforgeeks.org/ensemble-methods-in-python/