Stacking
Stacking, eller stacked generalization, er en ensemblemetode introduceret af David Wolpert i 1992, der kombinerer output fra flere forskellige basismodeller (niveau-0) gennem en separat metamodel (niveau-1). I modsætning til bagging og boosting anvender den bevidst heterogene modeltyper, og den er den standardmæssige sluttrinsstrategi i Kaggle-konkurrencer.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
+7 more
Kilder
- Wolpert, D.H. (1992). Stacked Generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- van der Laan, M.J., Polley, E.C. & Hubbard, A.E. (2007). Super Learner. Statistical Applications in Genetics and Molecular Biology, 6(1), Article 25. DOI: 10.2202/1544-6115.1309 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Stacked Generalization (Stacking Ensemble with a Meta-Learner). ScholarGate. https://scholargate.app/da/machine-learning/stacking-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BeslutningstræMaskinlæring↔ compare
- Logistisk regressionForskningsstatistik↔ compare
- Random ForestMaskinlæring↔ compare
- Support Vector Machine (Klassifikation)Maskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →