मैं मशीन लर्निंग के लिए नया हूं। मैंने एक ही डेटासेट पर लॉजिस्टिक रिग्रेशन और रैंडम फ़ॉरेस्ट लागू किया। इसलिए मुझे परिवर्तनीय महत्व मिलता है (लॉजिस्टिक रिग्रेशन के लिए पूर्ण गुणांक और यादृच्छिक वन के लिए चर महत्व)। मैं अंतिम परिवर्तनीय महत्व प्राप्त करने के लिए दोनों को मिलाने के बारे में सोच रहा हूं। क्या कोई अपना अनुभव साझा कर सकता है? मैंने बैगिंग, बूस्टिंग, मॉडलिंग को इकट्ठा किया है, लेकिन वे नहीं हैं जो मुझे चाहिए। वे प्रतिकृति भर में एक ही मॉडल के लिए जानकारी के संयोजन के अधिक हैं। मैं जो देख रहा हूं वह कई मॉडलों के परिणाम को संयोजित करना है।
5
पहनावा मॉडलिंग मॉडल को भी जोड़ सकता है। उदाहरण के लिए बहुसंख्यक मतदान देखें। स्टैकिंग भी देखें।
—
पैट
दरअसल, गुणांक के आकार का उपयोग करना लॉजिस्टिक रिग्रेशन में "वैरिएबल महत्व" को निर्धारित करने का एक अच्छा तरीका नहीं है। यहां तक कि अगर आप मानकीकृत गुणांक को देखते हैं, तो यह एक अच्छा तरीका नहीं है। क्यों? याद रखें कि गुणांक केवल अनुमान हैं और उनसे जुड़ी एक त्रुटि है। आकार के आधार पर गुणांक लेने का मतलब है कि आप उन लोगों को चुनते हैं जिनके लिए आपने गुणांक आकार का अनुमान लगाया है और उन लोगों को छोड़ दिया है जिनके लिए आपने गुणांक आकार का अनुमान लगाया है।
—
user765195