100% tevredenheidsgarantie Direct beschikbaar na je betaling Lees online óf als PDF Geen vaste maandelijkse kosten
logo-home
Eerder door jou gezocht
Eerder door jou gezocht
logo
Complete WEEK5 note: Machine Learning & Learning Algorithms(BM05BAM) €10,99
In winkelwagen
Snel navigeren naar
Voorbeeld
  2.  
  3. Erasmus Universiteit Rotterdam (EUR)
  4.  
  5. Machine Learning & Learning Algorithms (BM05BAM)

College aantekeningen

Complete WEEK5 note: Machine Learning & Learning Algorithms(BM05BAM)
 0 keer verkocht

THIS IS A COMPLETE NOTE FROM ALL BOOKS + LECTURE! Save your time for internships, other courses by studying over this note! Are you a 1st/2nd year of Business Analytics Management student at RSM, who want to survive the block 2 Machine Learning module? Are you overwhelmed with 30 pages of re...

[Meer zien]

Voorbeeld 2 van de 6  pagina's

Document informatie

  • 12 maart 2024
  • 6
  • 2023/2024
  • College aantekeningen
  • Jason roos
  • Alle colleges

Onderwerpen

Gekoppeld boek

book image

Titel boek:

Auteur(s):

  • Uitgave:
  • ISBN:
  • Druk:

Meer samenvattingen voor studieboek

Alles voor dit studieboek (7)

Geschreven voor

Alle documenten voor dit vak (7)

Verkoper

avatar-seller
ArisMaya

Voorbeeld van de inhoud

5.2 The Bootstrap
Bootstrap: a method obtain a new sample set without obtaining independent
data sets from the population by repeatedly sampling observations form the
original data set.

It can be applied to a wide range of statistical learning methods, including ones
which a measure of variability is otherwise difficult to obtain and not
automatically output by statistical software.

Estimates of values (e.g. accuracy) of bootstrapped data can perform great, even
comparable to the estimate based o a simulated datasets from the true
population .

Purpose
Bootstrap can be used to estimate and quantify the uncertain value associated
with a given estimator/statistical learning method

Process
1. Assume our sample is representative of the population of interest
2. Bootstrap randomly select n observations from a dataset to produce a
bootstrap data det, Z*1.

The sampling Is performed with replacement: same observation can occur more
than once in the bootstrap data set.




We can use Z*1 to produce a new bootstrap estimate for an estimate of the dataset (e.g.
accuracy as alpha*1).

, 8.2 Bagging, Random Forests, Boosting
Ensemble method/ weak learners: approach that combines many simple “building block”
models to obtain a single powerful model in prediction performance.

Decision tree have low bias but high variance. Averaging many trees improve variance.
(low bias because it has the information of the interactive features)

Ensemble methods that use regression/classification tree as building blocks
1) Bagging
2) Random forests
3) Boosting

8.2.1 Bagging
Bagging : General purpose procedure for reducing he variance of a statistical learning method. –
- Bagging uses bootstrapping: it takes repeated samples from the single training data set,
build a separate prediction model using each training set, and average the resulting
prediction that leads to low variance.

Bagged trees are grown deep + unpruned.

Bagging is particularly useful for many regression methods, particularly decision trees.

Advantage
1. Low bias
a. Trees are grow deep, and not pruned: thanks to the low variance by averaging,
each tree can be fit to each bootstrapped data
2. Low variance
a. Averaging the trees (could be hundreds/thousands trees!) built on bootstrapped
train data reduces the variance: as it does not rely on any single tree
Disadvantage
1. Can be difficult to interpret the resulting model
2. Could result in highly correlated trees when variance importance’s strongly vary among
the predictors, leading to not effective variance reduction (refer to Random Forest)

Process
1. Create B bootstrapped training data sets
2. Construct B regression trees using the bth bootstrapped training set to get the estimates
of y
3. For regression trees: Average them to obtain a single low-variance statistical learning
model, given by

Dit zijn jouw voordelen als je samenvattingen koopt bij Stuvia:

Bewezen kwaliteit door reviews

Bewezen kwaliteit door reviews

Studenten hebben al meer dan 850.000 samenvattingen beoordeeld. Zo weet jij zeker dat je de beste keuze maakt!

In een paar klikken geregeld

In een paar klikken geregeld

Geen gedoe — betaal gewoon eenmalig met iDeal, creditcard of je Stuvia-tegoed en je bent klaar. Geen abonnement nodig.

Direct to-the-point

Direct to-the-point

Studenten maken samenvattingen voor studenten. Dat betekent: actuele inhoud waar jij écht wat aan hebt. Geen overbodige details!

Veelgestelde vragen

Wat krijg ik als ik dit document koop?

Je krijgt een PDF, die direct beschikbaar is na je aankoop. Het gekochte document is altijd, overal en oneindig toegankelijk via je profiel.

Tevredenheidsgarantie: hoe werkt dat?

Onze tevredenheidsgarantie zorgt ervoor dat je altijd een studiedocument vindt dat goed bij je past. Je vult een formulier in en onze klantenservice regelt de rest.

Van wie koop ik deze samenvatting?

Stuvia is een marktplaats, je koop dit document dus niet van ons, maar van verkoper ArisMaya. Stuvia faciliteert de betaling aan de verkoper.

Zit ik meteen vast aan een abonnement?

Nee, je koopt alleen deze samenvatting voor €10,99. Je zit daarna nergens aan vast.

Is Stuvia te vertrouwen?

4,6 sterren op Google & Trustpilot (+1000 reviews)

Afgelopen 30 dagen zijn er 66184 samenvattingen verkocht

Opgericht in 2010, al 15 jaar dé plek om samenvattingen te kopen

Begin nu gratis
€10,99
  • (0)
In winkelwagen
Toegevoegd