Ensemble Methods for Machine Learning

Книга посвящена ансамблевым методам машинного обучения — мощным техникам, которые объединяют несколько моделей для повышения точности и устойчивости прогнозов. Автор, Гаутам Кунапули, систематизирует подходы к построению ансамблей: от параллельных однородных (бэггинг, случайные леса) до параллельных гетерогенных (стэкинг, блендинг) и последовательных (градиентный бустинг, AdaBoost).

В книге подробно разбираются алгоритмы, лежащие в основе современных библиотек, таких как XGBoost, LightGBM и CatBoost. Особое внимание уделяется практическим аспектам: как создавать разнообразие в ансамблях, как комбинировать предсказания слабых и сильных обучающихся, и как настраивать гиперпараметры для достижения наилучших результатов.

Материал сопровождается примерами кода на Python, что позволяет сразу применять полученные знания на практике. Книга будет полезна как специалистам по данным, желающим углубить понимание ансамблевых методов, так и инженерам машинного обучения, стремящимся улучшить производительность своих моделей.