hrvatski

Klasifikator pojačanja gradijenta kod procjene mogućnosti preživljavanja putnika na Titaniku

U ovom radu je ukratko objašnjen algoritam Gradient Boost i prikazana matematika na kojoj je baziran i koju je objasnio Jerome H. Freidman. Gradient Boost je pokazao velik uspjeh u širokom spektru primjene u stvarnom svijetu. Također su definirani pojmovi funkcija gubitka (loss function), learning rate i overfitting. Funkcija gubitka i learning rate kao jedne od najznačajnijih faktora u Gradient Boost, te overfitting kao jedan od najvećih problema Gradient Boosta. Također je objašnjen primjer klasifikacije baze podatka koristeći Gradient Boost „Titanic- Top 1% with Gradient Boost Clasifier“. Ovim primjerom se pokušava odrediti koji putnik će preživjeti i koji neće preživjeti potonuće Titanika. Primjer je uzet sa stranice Kaggle i napisan je u Python-u. Kroz objašnjenje primjera smo prošli kroz danu bazu podataka, prilagodili varijable (skupine podatka) našim potrebama, odredili suodnose varijabli, kako je odabran Gradinet Boost i prilagodili hiperparametre.

Freidman ; Gradient Boost ; funkcija gubitka (loss function) ; learning rate ; overfitting ; Python ; Kaggle ; Titanic

nije evidentirano