bagging是一种用来提高学习算法准确度的方法,这种方法通过构造一个预测函数系列,然后以一定的方式将它们组合成一个预测函数。
它使用bootstrap抽样,
其基本思想是:将一个弱学习算法使用多次(每次使用一个放回的重复抽样),并对结果进行投票,最后选取投票多的结果作为最终的结果(也可以通过得票的平均值用于连续值的预测)。
bagging对使用的分类算法有要求,必须为不稳定的算法(不稳定是指数据集的小的变动能够使分类结果显著的变动)比如:决策树,神经网络算法、svm等。
bagging是一种用来提高学习算法准确度的方法,这种方法通过构造一个预测函数系列,然后以一定的方式将它们组合成一个预测函数。
它使用bootstrap抽样,
其基本思想是:将一个弱学习算法使用多次(每次使用一个放回的重复抽样),并对结果进行投票,最后选取投票多的结果作为最终的结果(也可以通过得票的平均值用于连续值的预测)。
bagging对使用的分类算法有要求,必须为不稳定的算法(不稳定是指数据集的小的变动能够使分类结果显著的变动)比如:决策树,神经网络算法、svm等。