Stacked Generalization
A Stacked Generalization, vagy röviden stacking, egy kétszintű ensemble módszer, ahol az alapréteg klasszifikátorait az eredeti adatokon képezik, majd egy meta-tanulót (meta-learner) képeznek az alapklasszifikátorok előrejelzésein. A meta-tanuló megtanulja, hogyan kell optimálisan kombinálni az alapelőrejelzéseket, ahelyett, hogy rögzített aggregációs szabályokat használna. David Wolpert 1992-es bevezetése óta a stacking csúcsteljesítményt ér el azáltal, hogy automatikusan megtanulja az alapmodellek közötti optimális súlyozást és interakciós mintázatokat.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Stacked Generalization Ensemble. ScholarGate. https://scholargate.app/hu/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.
- Bagging EnsembleEgyüttes tanulás↔ compare
- Boosting EnsembleEgyüttes tanulás↔ compare
- Többségi szavazásEgyüttes tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →