集成学习
文章平均质量分 86
d541449473
这个作者很懒,什么都没留下…
展开
-
task9
导论 在前面的学习中,我们探讨了一系列简单而实用的回归和分类模型,同时也探讨了如何使用集成学习家族中的Bagging思想去优化最终的模型。Bagging思想的实质是:通过Bootstrap 的方式对全样本数据集进行抽样得到抽样子集,对不同的子集使用同一种基本模型进行拟合,然后投票得出最终的预测。我们也从前面的探讨知道:Bagging主要通过降低方差的方式减少预测误差。那么,本章介绍的Boosting是与Bagging截然不同的思想,Boosting方法是使用同一组数据集进行反复学习,得到一系列简单模型,..原创 2021-04-17 21:21:12 · 163 阅读 · 0 评论 -
集成学习(中)task2
投票法的思路 投票法是集成学习中常用的技巧,可以帮助我们提高模型的泛化能力,减少模型的错误率。举个例子, 在航空航天领域,每个零件发出的电信号都对航空器的成功发射起到重要作用。如果我们有一个二进制 形式的信号: 11101100100111001011011011011 在传输过程中第二位发生了翻转 10101100100111001011011011011 这导致的结果可能是致命的。一个常用的纠错方法是重复多次发送数据,并以少数服从多数的方法确定 正确的传输数据。一般情况下,错误总是发生在局部,因此融合多原创 2021-04-13 08:05:02 · 216 阅读 · 0 评论