使用不同的分类方法投票
bagging(装袋法)
WEKA:bagging(装袋法)在meta下
bagSizepercent:从训练集中取样得到另一个相同大小的数据集,重复取样,每次取样都得到同样大小的不同数据集
seed:随机种子
随机森林:这次不是随机训练书记,而是随机算法,如何随机算法取决于算法是什么
weka:RandomForest在tree下
属性数量
boosting加强
boosting加强:是循环算法,新一轮的模型建立在先前模型的分类结果上,在实例上加权为下一轮建立新的模型,adaboostM1(weka)
循环次数参数
堆栈:stacking
使用一种元学习法来组合它们的预测结果
可以选择元分类器
预测差异是有帮助的,特别是当学习方法不稳定的时候,而且我们通过不同方式来制造差异
bagging通过从训练数据集中重新取样来制造差异
random.forests中通过为决策树选择不同的分支来制造差异
boosting中,通过关注现有模型的错误来制造差异
stacking,使用另一个学习方法来组合输出不同学习方法的结果,不是简单通过投票决定