集成学习简介

最新推荐文章于 2024-03-19 00:00:00 发布

VIP文章风居住的街道~

最新推荐文章于 2024-03-19 00:00:00 发布

阅读量802

点赞数

文章标签：深度学习 pytorch 自然语言处理

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Ming_LQ/article/details/121501047

版权

目录

前言
一、Bagging
- 随机森林（Random Forest）
二、Boosting
- AdaBoost
- GBDT
三、Stacking

前言

集成学习是通过构建并结合多个学习器来完成学习任务，集成学习通过将多个基学习器结合，即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来，通常都会获得比单一学习器显著优越的泛化性能，是评测任务中必不可少的一个方法。

目前集成学习可分为两大类，即个体学习器之间有依赖关系，必须串行生成的序列化方法；以及个体学习器不存在强依赖关系，可同时生成的并行化方法。前者的代表是Boosting，最著名的是代表有Adaboost, GBDT和XGBOOST;后者的代表是Bagging和随机森林。对于学习器的结合策略有三大类：投票法（分类），平均法（连续数

最低0.47元/天解锁文章

风居住的街道~

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
集成学习简介

目录前言一、Bagging随机森林（Random Forest）二、BoostingAdaBoostGBDT三、Stacking前言集成学习是通过构建并结合多个学习器来完成学习任务，集成学习通过将多个基学习器结合，即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来，通常都会获得比单一学习器显著优越的泛化性能，是评测任务中必不可少的一个方法。目前集成学习可分为两大类，即个体学习器之间有依赖关系，必须串行生成的序列化方法；以及个体学习器不存在强依赖关系，可同时生成的并行化方法。前者的
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。