Στοιβωτή Γενίκευση
Η στοιβωτή γενίκευση (stacked generalization), ή στοίβαξη (stacking), είναι μια μέθοδος συνόλου δύο επιπέδων όπου οι ταξινομητές βάσης εκπαιδεύονται στα αρχικά δεδομένα και ένας μετα-εκπαιδευτής (meta-learner) εκπαιδεύεται στις προβλέψεις των ταξινομητών βάσης. Ο μετα-εκπαιδευτής μαθαίνει πώς να συνδυάζει βέλτιστα τις προβλέψεις βάσης αντί να χρησιμοποιεί σταθερούς κανόνες συνάθροισης. Εισήχθη από τον David Wolpert το 1992, η στοίβαξη επιτυγχάνει κορυφαία απόδοση μαθαίνοντας αυτόματα τη βέλτιστη στάθμιση και τα πρότυπα αλληλεπίδρασης μεταξύ των μοντέλων βάσης.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241-259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Breiman, L. (1996). Stacked regressions. Machine Learning, 24(1), 49-64. DOI: 10.1023/a:1018046112532 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Stacked Generalization Ensemble. ScholarGate. https://scholargate.app/el/ensemble-learning/stacked-generalization
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.
- Σύνολο BaggingΜάθηση Συνόλων Μοντέλων (Ensemble)↔ compare
- Σύνολο ΕνίσχυσηςΜάθηση Συνόλων Μοντέλων (Ensemble)↔ compare
- Πλειοψηφική ΨηφοφορίαΜάθηση Συνόλων Μοντέλων (Ensemble)↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →