After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
继续您的机器学习之旅，深入学习精彩的集成学习方法吧！这类技术会将多个独立算法结合起来，以提升性能，并在各行业的大规模问题中发挥作用。集成技术也经常在各类线上机器学习竞赛中夺冠！
在本课程中，您将系统学习这些高级集成技术，如 bagging、boosting 和 stacking。您还会使用 scikit-learn、XGBoost、CatBoost 和 mlxtend 等前沿 Python 机器学习库，将它们应用到真实数据集上。
先修要求
课程大纲
课程大纲
1
组合多个模型
是否总为挑选哪个模型最适合您的问题而发愁？不必再纠结了——把它们都用上吧！本章将学习如何用 "Voting" 和 "Averaging" 将多个模型合并为一个模型。您将用它们来预测 Google Play 商店应用的评分、某个 Pokémon 是否为传说级，以及《权力的游戏》中哪些角色会死亡。
2
Bagging
Bagging 是随机森林等强大机器学习算法背后的集成方法。本章将讲解该技术的原理，并带您使用 scikit-learn 构建自己的 bagging 模型。
3
Boosting
Boosting 是一类集成学习算法，其中包括多次获奖的 AdaBoost 模型。本章将介绍这一广受认可的模型，并用它来预测屡获殊荣电影的票房收入。同时，您还将学习 CatBoost 与 XGBoost 等梯度提升算法。
4
Stacking
准备看看如何"堆叠"取胜吧！在最后一章中，您将学习 stacking 集成方法。您会了解如何用 scikit-learn 实现它，以及如何借助 mlxtend 实现。随后，您将把 stacking 应用于预测北美蘑菇的可食用性，并用这一更高级的方法重新评估 Google 应用的评分。
Python 中的集成方法
课程完成
