Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.Desafio: Resolução de Tarefas Usando Classificador de Empilhamento | Commonly Used Stacking Models
Ensemble Learning

Desafio: Resolução de Tarefas Usando Classificador de EmpilhamentoDesafio: Resolução de Tarefas Usando Classificador de Empilhamento

Tarefa

O conjunto de dados 'blood-transfusion-service-center' é um conjunto que contém informações relacionadas à doação de sangue. Ele é frequentemente utilizado como uma tarefa de classificação binária para prever se um doador de sangue doará novamente. O conjunto de dados inclui várias características que fornecem insights sobre o histórico e as características do doador.

Sua tarefa é resolver uma tarefa de classificação usando o conjunto de dados 'blood-transfusion-service-center':

  1. Utilize 3 diferentes modelos de LogisticRegression como modelos de base. Cada modelo deve ter diferentes parâmetros de regularização: 0.1, 1 e 10, respectivamente.
  2. Use MLPClassifier como meta-modelo de um conjunto.
  3. Crie uma lista base_models contendo todos os modelos de base do conjunto.
  4. Por fim, crie um modelo StackingClassifier com os modelos de base e o meta-modelo especificados.

Tudo estava claro?

Seção 4. Capítulo 2
toggle bottom row
course content

Conteúdo do Curso

Ensemble Learning

1. Princípios Básicos da Construção de Modelos de Ensemble

O que é Ensemble de Modelos?Modelos de BaggingModelos ImpulsionadoresEmpilhamento de Modelos

2. Modelos de Bagging Comumente Utilizados

Classificador BaggingDesafio: Resolver Tarefa Usando Classificador de BaggingRegressão por AgregaçãoDesafio: Resolvendo Tarefa com Regressor de AgregaçãoFloresta AleatóriaDesafio: Determinar a Importância das Características Usando Floresta AleatóriaÁrvores Extremamente Aleatórias

3. Modelos de Boosting Mais Usados

Classificador AdaBoostDesafio: Solução de Tarefas Usando Classificador AdaBoostDesafio: Resolver Tarefa Usando AdaBoost RegressorBoosting de GradienteXGBoostDesafio: Resolução de Tarefa Usando XGBoost

4. Modelos de Empilhamento Comumente Utilizados

Classificador StackingDesafio: Resolução de Tarefas Usando Classificador de EmpilhamentoDesafio: Resolvendo Tarefa Usando Regressor de EmpilhamentoUsando Conjuntos como Modelos BaseResumo do Curso

Ensemble Learning

Desafio: Resolução de Tarefas Usando Classificador de EmpilhamentoDesafio: Resolução de Tarefas Usando Classificador de Empilhamento

Tarefa

O conjunto de dados 'blood-transfusion-service-center' é um conjunto que contém informações relacionadas à doação de sangue. Ele é frequentemente utilizado como uma tarefa de classificação binária para prever se um doador de sangue doará novamente. O conjunto de dados inclui várias características que fornecem insights sobre o histórico e as características do doador.

Sua tarefa é resolver uma tarefa de classificação usando o conjunto de dados 'blood-transfusion-service-center':

  1. Utilize 3 diferentes modelos de LogisticRegression como modelos de base. Cada modelo deve ter diferentes parâmetros de regularização: 0.1, 1 e 10, respectivamente.
  2. Use MLPClassifier como meta-modelo de um conjunto.
  3. Crie uma lista base_models contendo todos os modelos de base do conjunto.
  4. Por fim, crie um modelo StackingClassifier com os modelos de base e o meta-modelo especificados.

Tudo estava claro?

Seção 4. Capítulo 2
toggle bottom row
some-alt