我想知道是否可以對分類任務進行投票。我看過很多博客解釋如何使用投票進行回歸。如下所示。
# initializing all the model objects with default parameters
model_1 = LinearRegression()
model_2 = xgb.XGBRegressor()
model_3 = RandomForestRegressor()
# training all the model on the training dataset
model_1.fit(X_train, y_target)
model_2.fit(X_train, y_target)
model_3.fit(X_train, y_target)
# predicting the output on the validation dataset
pred_1 = model_1.predict(X_test)
pred_2 = model_2.predict(X_test)
pred_3 = model_3.predict(X_test)
# final prediction after averaging on the prediction of all 3 models
pred_final = (pred_1 pred_2 pred_3)/3.0
# printing the mean squared error between real value and predicted value
print(mean_squared_error(y_test, pred_final))
uj5u.com熱心網友回復：
這是可以做到的。
# initializing all the model objects with default parameters
model_1= svm.SVC(kernel='rbf')
model_2 = XGBClassifier()
model_3 = RandomForestClassifier()
# Making the final model using voting classifier
final_model = VotingClassifier(estimators=[('svc', model_1), ('xgb', model_2), ('rf', model_3)], voting='hard')
# applying 10 fold cross validation
scores = cross_val_score(final_model, X_all, y, cv=10, scoring='accuracy')
print(scores)
print('Model accuracy score : {0:0.4f}'.format(scores.mean()))
如有必要，您可以添加比三個更多的機器學習模型這里注意我已經應用了交叉驗證并獲得了準確性
uj5u.com熱心網友回復：
當然，您可以對課程使用相同的功能，只是您的投票將使用不同的功能。這就是隨機森林是如何得出他們的預測的（森林中的單個決策樹“投票”支持一個共同的預測）。例如，您可以對所有分類器采用多數投票。或者，您可以使用單個預測來制定預測的概率。例如，每個類都可以得到分配給它的那部分選票作為輸出。
轉載請註明出處，本文鏈接：https://www.uj5u.com/ruanti/533069.html
上一篇：如何在marqo中執行關鍵字搜索