Section Ensemble Learning berisi materi 7 chapter. Gabungkan banyak model untuk hasil yang lebih kuat: bagging, random forest, gradient boosting beserta XGBoost, LightGBM, dan CatBoost.

# Konsep Ensemble Learning

Pahami mengapa gabungan model lemah dapat mengalahkan model tunggal yang kompleks.

Buka → # Bagging dan Random Forest

Kurangi varians dengan bootstrap aggregating dan pemilihan fitur acak.

Buka → # Gradient Boosting

Bangun model bertahap yang memperbaiki galat residual dari model sebelumnya.

Buka → # XGBoost

Gunakan implementasi gradient boosting yang efisien dan sering menjuarai kompetisi data.

Buka → # LightGBM

Percepat pelatihan pada data besar dengan histogram dan pertumbuhan daun-wise.

Buka → # CatBoost

Tangani fitur kategorikal secara native dengan ordered boosting.

Buka → # Voting dan Stacking

Kombinasikan model beragam lewat pemungutan suara dan meta-learner.

Buka →