站在荷塘边

以往的课程中很少涉及到集成学习，最近刚开始接触。其实就现在对集成学习模糊的了解，感觉上是一个很实用且强大的思想方法。今天看了bagging和boosting，乍一看感觉完全是一个意思，都是多次采样形成多个弱分类器，最后由这些弱分类器形成强分类器，以提高分类效果。不过刚刚看了一篇博文，才了解到bagging和boosting最大的区别其实在于hard和soft。bagging是通过h

原文链接见：点击打开链接01 树与森林在构建决策树的时候，可以让树进行完全生长，也可以通过参数控制树的深度或者叶子节点的数量，通常完全生长的树会带来过拟合问题。过拟合一般由数据中的噪声和离群点导致，一种解决过拟合的方法是进行剪枝，去除树的一些杂乱的枝叶。注：你可能需要参考前面的文章：《0x0B 菩提决策树，姻缘算法求》实际应用中，一般可用随机森林来代替，随机森林