我真的很需要一些帮助！
我所在的公司由52个非常不同的业务组成，所以我无法在公司层面进行预测，而是需要逐个业务进行预测，然后汇总结果以给出公司范围的预测。
我在studio.azureml.net上编写了一个机器学习模型，它对其中一个业务的表现非常好，确定系数达到了0.947。现在我需要为其他51个业务训练模型。
有没有一种方法可以在一个机器学习模型中完成这项工作，而不需要创建52个非常相似的模型？
任何帮助都将不胜感激！！！
此致敬礼Martin
回答：
你可以使用集成方法，结合多个模型来改善预测。最直接的方法是堆叠，当所有模型的输出都在整个数据集上进行训练时。我认为最适合你问题的办法是套袋法（bootstrap aggregation）。你需要将训练集划分为不同的子集（每个子集对应一个特定的业务），然后在每个子集上训练不同的模型，并结合每个分类器的结果。另一种方法是提升法，但这在Azure ML中难以实现。你可以在Azure ML Gallery中看到一个例子。
书中引用：
堆叠和套袋法在Azure机器学习中可以很容易实现，但其他集成方法则较难实现。此外，在Azure机器学习中实现一个超过五个模型的集成实验会非常繁琐，实验中充满了模块，维护起来相当困难。有时候，使用R或Python中可用的任何集成方法是值得的。在脚本中向集成添加更多模型可能只需更改代码中的一个数字，而不是将模块复制并粘贴到实验中。
你还可以查看sklearn（Python）和caret（R）的文档以获取更多详细信息。
