আমি মেশিন লার্নিংয়ে নতুন। আমি একই ডেটাসেটে লজিস্টিক রিগ্রেশন এবং এলোমেলো বন প্রয়োগ করেছি। সুতরাং আমি পরিবর্তনশীল গুরুত্ব (লজিস্টিক রিগ্রেশন জন্য নিখুঁত সহগ এবং এলোমেলো বনের জন্য পরিবর্তনশীল গুরুত্ব) পাই। আমি চূড়ান্ত পরিবর্তনশীল গুরুত্ব পেতে দুটিকে একত্রিত করার জন্য ভাবছি। কেউ কি তার অভিজ্ঞতা শেয়ার করতে পারবেন? আমি ব্যাগিং, বুস্টিং, ইনসাম্বল মডেলিং পরীক্ষা করে দেখেছি তবে তারা আমার যা প্রয়োজন তা নয়। তারা প্রতিলিপি জুড়ে একই মডেলের জন্য তথ্য একত্রিত আরও। আমি যা খুঁজছি তা হ'ল একাধিক মডেলের ফলাফল একত্রিত করা।
5
এনসেম্বল মডেলিং মডেলগুলিকে একত্রিত করতে পারে। উদাহরণস্বরূপ সংখ্যাগরিষ্ঠ ভোটদানের দিকে নজর দিন। এছাড়াও দেখুন, স্ট্যাকিং।
—
প্যাট
আসলে, সহগের আকার ব্যবহার করা লজিস্টিক রিগ্রেশনে "পরিবর্তনশীল গুরুত্ব" নির্ধারণের জন্য ভাল উপায় নয়। এমনকি যদি আপনি মানক সহগগুলি দেখুন তবে এটি কোনও ভাল পদ্ধতি নয়। কেন? মনে রাখবেন যে সহগগুলি কেবল অনুমান এবং তাদের সাথে যুক্ত একটি ত্রুটি। আকার অনুসারে সহগ বাছাই করার অর্থ হ'ল আপনি যেগুলি সহগের আকারের চেয়ে বেশি-অনুমান করেছেন এবং সেইগুলি ফেলেছেন যার জন্য আপনি সহগের আকারের তুলনায় কম অনুমান করেছেন।
—
user765195