Stacked Generalization
Stacked generalization, eller stacking, är en ensemblemetod på två nivåer där klassificerare på basnivå tränas på originaldata, och en meta-inlärningsmodell tränas på prediktionerna från bas-klassificerarna. Meta-inlärningsmodellen lär sig hur man bäst kombinerar bas-prediktioner snarare än att använda fasta aggregeringsregler. Stacking, som introducerades av David Wolpert 1992, uppnår toppmodern prestanda genom att automatiskt lära sig optimal viktning och interaktionsmönster mellan basmodellerna.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Stacked Generalization Ensemble. ScholarGate. https://scholargate.app/sv/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 EnsembleEnsembleinlärning↔ compare
- Boosting EnsembleEnsembleinlärning↔ compare
- MajoritetsröstningEnsembleinlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →