DataWhale-集成学习中-ep1-笔记

这一节学习内容优点少啊，都是以前比较熟悉的内容，算是复习一遍，要点纪录如下：

（1）软投票法考虑了概率，可以得到比硬投票法更加准确的预测结果。

（2）Bagging不仅仅集成模型最后的预测结果，同时采用一定策略来影响基模型训练，保证基模型可以服从一定的假设。

（3）尽量让基模型具有差异性，但同时又性能相当，不能差异太大。

（4）Bagging集成了bootstrap采样策略，即又放回的采样。Bagging方法之所以有效，是因为每个模型都是在略微不同的训练数据集上拟合完成的，这又使得每个基模型之间存在略微的差异，使每个基模型拥有略微不同的训练能力。

（5）用Scikit-learn中的BaggingClassifier\BaggingRegressor\VotingRegressor/VotingClassifier结合基模型可实现对应的集成。