![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
集成学习(Ensemble Learning)
本专栏主要介绍集成学习的各种应用和例子
Vivian Ouyang
在联合健康保险公司(UnitedHealth Group)的Data Scientist
展开
-
03_集成学习(Ensemble Learning)里的堆叠(Stacking)
集成学习(Ensemble Learning)里的堆叠堆叠是我们将要学习的第二种集成学习技术。与投票一起,它属于非生成方法类,因为它们都使用经过单独训练的分类器作为基础学习器。元学习是广义的机器学习术语。它具有多种含义,但通常需要将元数据用于特定问题才能解决。它的应用范围从更有效地解决问题到设计全新的学习算法,这是一个正在发展的研究领域。堆叠是元学习的一种形式。主要思想是,我们使用基础学习器来生成问题数据集的元数据,然后使用另一个称为元学习器的学习器来处理元数据。基础学习器被认为是0级学习器,而元学习器被原创 2020-05-24 11:56:29 · 4911 阅读 · 0 评论 -
02_集成学习(Ensemble Learning)里的投票
集合学习(Ensemble Learning)里的投票Hard/Soft Voting实现先加载模块加载乳腺癌的数据硬投票的实现 (不用sklearn自带的函数)硬投票的实现 (用sklearn自带的函数)软投票的实现 (用sklearn自带的函数)在所有集成学习方法中,最直观的是多数投票。因为其目的是输出基础学习者的预测中最受欢迎(或最受欢迎)的预测。多数投票是最简单的集成学习技术,它允许多个基本学习器的预测相结合。与选举的工作方式类似,该算法假定每个基础学习器都是投票者,每个类别都是竞争者。为了选出竞原创 2020-05-24 10:17:02 · 1666 阅读 · 0 评论 -
01_集成学习(Ensemble Learning)简介
集合学习(Ensemble Learning)简介集成学习涉及多种技术的组合,这些技术允许称为基础学习者(或有时称为弱学习者)的多个机器学习模型合并其预测,并在给定各自的输入和输出的情况下输出单个最佳预测。集成学习旨在解决偏差和方差问题。通过组合许多模型,我们可以减少整体误差,同时保留各个模型的复杂性。正如我们前面所看到的,每个模型误差都有一定的下限,这与模型的复杂性有关。此外,由于初始条件,超参数和其他因素,我们提到相同的算法可以产生不同的模型。通过组合不同的不同模型,我们可以减少组的预期误差,而每个模原创 2020-05-24 09:12:53 · 522 阅读 · 0 评论