Tôi đọc rằng các phương thức tổng hợp nội trang trong sklearn sử dụng cây quyết định làm bộ phân loại cơ bản. Có thể sử dụng các trình phân loại tùy chỉnh thay thế không?Làm cách nào để sử dụng các trình phân loại tùy chỉnh trong các bộ phân loại đồng bộ trong sklearn?
Nếu bạn có nghĩa là các lớp rừng ngẫu nhiên, thì không, điều này hiện không thể thực hiện được. Tùy chọn để cho phép các ước tính khác được thảo luận trong danh sách gửi thư scikit-học vào tháng Giêng năm ngoái, nhưng tôi không tin rằng bất kỳ mã thực tế nào đã đưa ra thảo luận đó.
Tôi không biết nếu nó giúp, nhưng bạn có thể dễ dàng ngăn xếp/phân loại kết hợp tùy chỉnh bằng cách sử dụng tiện ích Pipeline: http://scikit-learn.org/stable/tutorial/statistical_inference/putting_together.html#pipelining
Nếu bạn sử dụng sklearn.ensemble.AdaBoostClassifier, thì câu trả lời là có: scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html Bạn có thể gán base_estimator chính bạn.
Đường ống không phải là phương pháp tập hợp. Chúng chỉ kết hợp một trình phân loại đơn với một loạt các bước tiền xử lý. –
Có bạn đúng. Nhưng những gì tôi có nghĩa là sử dụng Pipelining và FeatureUnion có thể được sử dụng cùng nhau để kết hợp các mô hình đồng nhất hoặc không đồng nhất trong vài dòng mã. Ramp https://github.com/kvh/ramp sử dụng nguyên tắc này rất nhiều ví dụ. – user1151446