8个经过证实的方法：提高机器学习模型的准确率

在数据科学竞赛获胜方案中最常见的方法。这个技术就是把多个弱模型的结果组合在一起，获得更好的结果。它能通过许多方式实现，如：

• Bagging (Bootstrap Aggregating)

• Boosting

想了解更多这方面内容，可以查阅《Introduction to ensemble learning》。

使用集成方法改进模型正确率永远是个好主意。主要有两个原因：

1. 集成方法通常比传统方法更复杂；

2. 传统方法提供好的基础，在此基础上可以建立集成方法。

注意！

到目前为止，我们了解了改善模型准确率的方法。但是，高准确率的模型不一定（在未知数据上）有更好的表现。有时，模型准确率的改善是由于过度拟合。

如果想解决这个问题，我们必须使用交叉验证技术（cross validation）。交叉验证是数据建模领域最重要的概念之一。它是指，保留一部分数据样本不用来训练模型，而是在完成模型前用来验证。

这种方法有助于得出更有概括性的关系。想了解更多有关交叉检验的内容，建议查阅《Improve model performance using cross validation》。

预测建模的过程令人疲惫。但是，如果你能灵活思考，就可以轻易胜过其他人。简单地说，多考虑上面这 8 个步骤。获得数据集以后，遵循这些被验证过的方法，你就一定会得到稳健的机器学习模型。不过，只有当你熟练掌握了这些步骤，它们才会真正有帮助。比如，想要建立一个集成模型，你必须对多种机器学习算法有所了解。

本文分享了 8 个经过证实的方法。这些方法用来改善模型的预测表现。它们广为人知，但不一定要按照文中的顺序逐个使用。

原作者：Sunil Ray

翻译：王鹏宇