weka 集成学习

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