GBDT、ランダムフォレスト、ニューラルネットワーク、ロジスティック回帰を使用してスタッキング in Kaggle - Qiita

GBDT、ランダムフォレスト、ニューラルネットワーク、ロジスティック回帰を使用してスタッキング in KagglePythonプログラミング機械学習DeepLearningKaggle はじめに 「Kaggleで勝つデータ分析の技術」のP372~373で紹介されている良いスタッキングのソリューション／スタッキングに含めるモデル選択を参考にして、Kaggleのチュートリアル（タイタニック）を題材にOptunaで各モデルのハイパーパラメータを調整していき予測モデルを作成しました。 ▼多様なモデルを使う（Kaggleで勝つデータ分析の技術 p372により引用） Kaggle GrandmasterのKazAnovaによると、良いスタッキングのソリューションは以下のモデルを含んで構成されることがたびたびあるとのことです。 ・2～3つのGBDT（決定木の深さが浅いもの、中くらいのもの、深いもの） ・