Machine learning Azure ML-在数据集的段上训练模型

我真的需要一些帮助

我工作的公司由52个非常不同的业务组成，因此我无法在公司层面进行预测，而是需要逐个业务进行预测，然后将结果汇总，给出公司范围内的预测

我在studio.azureml.net中编写了一个ML模型 它的决定系数为0.947，效果非常好，但这适用于其中一种业务。 我现在需要为另一个51训练模型

有没有一种方法可以在单个ML模型中实现这一点，而不必创建52个非常相似的模型

任何帮助都将不胜感激

问候

---

Martin

您可以使用集合，将多个模型结合起来以改进预测。当所有模型的输出都在整个数据集上进行训练时，最直接的方法是堆叠。 我认为，最适合您的问题的方法是bagging（引导聚合）。您需要将训练集划分为不同的子集（每个子集对应于特定的业务），然后在每个子集上训练不同的模型，并组合每个分类器的结果。 另一种方法是增强，但很难在Azure ML中实现。 您可以在中看到一个示例

引自书中：

堆叠和装袋可以在Azure机器中轻松实现 学习，但其他集成方法更困难。还有, 事实证明在Azure机器学习中实现是非常乏味的 比如说，超过五个模型的集合。这个实验充满了希望 模块，并且很难维护。有时是值得的 使用R或Python中可用的任何集成方法。添加更多 在脚本中编写的集成模型可以像 更改代码中的数字，而不是复制和粘贴模块 他开始做实验

---

您还可以查看和插入符号（R）文档以了解更多详细信息。

您可以使用集合，组合多个模型以改进预测。当所有模型的输出都在整个数据集上进行训练时，最直接的方法是堆叠。 我认为，最适合您的问题的方法是bagging（引导聚合）。您需要将训练集划分为不同的子集（每个子集对应于特定的业务），然后在每个子集上训练不同的模型，并组合每个分类器的结果。 另一种方法是增强，但很难在Azure ML中实现。 您可以在中看到一个示例

引自书中：

堆叠和装袋可以在Azure机器中轻松实现 学习，但其他集成方法更困难。还有, 事实证明在Azure机器学习中实现是非常乏味的 比如说，超过五个模型的集合。这个实验充满了希望 模块，并且很难维护。有时是值得的 使用R或Python中可用的任何集成方法。添加更多 在脚本中编写的集成模型可以像 更改代码中的数字，而不是复制和粘贴模块 他开始做实验

您还可以查看和插入符号（R）文档以了解更多详细信息