일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- Eda
- cnn
- 딥러닝
- 프로그래머스
- 서평
- httr
- KT AIVLE
- SQLD
- 시계열
- 한국전자통신연구원 인턴
- ggplot2
- 기계학습
- ML
- 에트리 인턴
- hadoop
- 시각화
- 머신러닝
- r
- matplot
- 한국전자통신연구원
- 빅분기
- 웹크롤링
- SQL
- kaggle
- dx
- 하둡
- KT 에이블스쿨
- 지도학습
- arima
- python
- 에이블스쿨
- kt aivle school
- 가나다영
- 소셜네트워크분석
- 하계인턴
- ETRI
- 다변량분석
- Ai
- 빅데이터분석기사
- 에이블러
Archives
- Today
- Total
목록스태킹 (1)
소품집
[KT AIVLE] 머신러닝 앙상블 모델 - 보팅, 배깅, 부스팅
앙상블 앙상블은 여러 분류기의 결과를 하나로 합치며 모델을 통합하는 것과 같고, 여러 개의 DT를 결합하며 하나의 모델을 사용했을 때 보다 더 높은 성능을 낼 수 있도록 한다. 앙상블 기법 중 많이 사용되는 학습 방법으로는 Voting, Bagging, Boosting, ECOC (Error-correcting output coding), Stacking 등이 있다. 1. 보팅 (voting) 일반적으로 보팅은 여러 가지 머신러닝 모델(여기에선 KNN, Logistic Regression, DT)을 같은 데이터 셋에 대하여 학습시킨 뒤, 예측한 결과를 투표하여 최종 결과로 선정하는 방식으로 진행된다. 보팅 방식에도 소프트 보팅과 하드 보팅으로 나뉜다. - 하드보팅 : 다수결 투표와 동일한 개념. 이 경우..
AI/KT 에이블스쿨
2022. 9. 14. 10:43