Presná definícia
Čo znamená zmiešaný ansámbel?
Zmiešaný ansámbel (blending) učí kombinátor z predikcií základných modelov na osobitnej holdout časti tréningových dát. Na rozdiel od stackingu typicky nevytvára out-of-fold predikcie pre každý tréningový príklad. Je jednoduchší a lacnejší, ale meta-model má menej dát a výsledok môže byť citlivý na jediné rozdelenie holdoutu.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Tréning sa rozdelí na základnú časť a blending holdout. Základné modely sa naučia na prvej časti, predikujú holdout a ich výstupy sa použijú na lineárny alebo iný kombinátor. Test zostáva úplne oddelený. Po výbere možno základné modely pretrénovať na širších dátach, no treba zachovať kompatibilitu rozdelenia ich skóre s kombinátorom. Blending je vhodný pri veľkom súbore a drahých modeloch; pri malom súbore môže strata dát a náhodnosť holdoutu prevážiť nad jednoduchosťou.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Ako sa líši od stackingu?
Meta-model sa učí na jednom holdoute, nie na OOF predikciách zo všetkých foldov.
Aká je hlavná nevýhoda?
Časť tréningu sa vyhradí iba pre kombinátor a základné modely ju nevidia.
Môžu základné modely trénovať na blending holdoute?
Nie pred vytvorením predikcií pre meta-model.
Prečo záleží na jednom rozdelení?
Iný holdout môže dať iné váhy a poradie modelov.
Možno modely po výbere pretrénovať?
Áno, ale zmena distribúcie skóre môže vyžadovať opätovné overenie kombinátora.