集成算法之Bagging基本原理和面试笔记整理

集成算法

  集成算法 = 多个学习器 + 结合策略 产生强学习器的算法。单个学习器难以平衡准确性即拟合能力,和多样性 即 泛化能力。通过集成可以尽量平衡这两者的关系。如果多个学习器是一样的,如都是决策树,该集成就是同质集成,否者就是异质集成。同质集成中,每个单学习器称为弱学习器,如果若学习器之间的产生没有关系,可以并行实现,就是Bagging,如果弱学习器之间存在强依赖关系,就需要串行实现,如Boosting

方差(Bias)和偏差(Variances)

  对于特定的带有真实结果y的数据集D,每个模型的训练结果为  f(X;D),最终期望预测是单模型的平均:\bar{f}(X) = E[f(x;D)]

偏差是整体模型预测结果和真实值之间的差距: 一般用来表示模型的预测能力

                                                                       bias = f(X;D)-y

方差表示的是整体预测结果和每个模型预测结果之间的波动情况,一般用来表示模型的泛化能力

                                                                     variance = E[(f(x;D) - \bar{f}(X) )^{2}]

那么模型的期望泛化误差 

                               

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Lee_Yu_Rui

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值