集成学习 bagging RF提高分类准确率

集成学习是将多个基分类器进行组合,提高分类的准确率,组合的策略有投票法、平均法、加权法、学习法(尚没有看懂),基分类器要做到“好而不同”,每个基分类器学习不同的特征,要有多样性。

采用自助采样法。

给定包含m个样本的数据集,随机的从 样本中抽取一个样本放入采样集中,再把该样本放回初始数据集,使得次采样的时候仍然有可能被选中,经过m次的采集得到含有m个样本的数据集,初始训练集中约有63%的样本出现在采样集中。得T个含有m个样本的采样集,然后基于每个采样集训练一个基学习器,再将这些基学习器进行结合。bagging对分类任务进行简单的投票法、简单平均法。

自主采样过程使得位被选中的样本可以作为验证集。

 

随机森林的基学习器是决策树

在决策树的构建过程中加入了随机属性的选择,假如数据集的属性是d,传统的决策树是在当前的属性中选择一个较优的属性,在RF中,对基决策树的每个结点,先从该结点的属性结合中选取包含K个属性的子集,然后在从这个属性结合中选择一个最优属性进行划分,若K=1,则是随机的选择一个属性进行划分,若k=d,则是传统的决策树的构建。 

 

基学习器之间存在强依赖关系的boosting

boosting先从训练集训练一个基分类器,然后再根据基分类器的表现对训练集的分布进行调整,使得先前做错的分类样本能够在后续收到更多的关注。然后基于调整后的数据再训练分类器。

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