第8步 集成学习(ensemble learning)

本文介绍了集成学习的概念,包括AdaBoost、GBDT和Stacking三种策略。AdaBoost通过改变训练集权重来提升模型性能,GBDT通过拟合误差来优化模型,而Stacking则是结合多种模型的预测结果进行训练。文章提供了每种算法的简单实现和模型评估,强调了Xgboost的重要性和集成学习的多样性。
摘要由CSDN通过智能技术生成


前言

之前我们介绍了决策树(DT),为了提高性能,研究人员把多个决策树组合起来,演变出随机森林的(RF),这其实就是一种集成学习的思路。
当然啦,集成学习肯定不止随机森林,只不过随机森林的性能实在是不错,且简单粗暴,在各领域内运用广泛,所以单独开一步来介绍。其余的集成学习算法,就在这一步一起打包献上。
首先我们来看集成学习的技术路线:
在这里插入图片描述
很简单啊,首先是生成多个单一的学习器,然后把所有的学习器汇总,通过某种策略组成强学习器。把这句话看2遍,然后我们来思考一下细节:
首先,如何构建多个单一的学习器?想想随机森林是怎么干的。
其次,如何把多个单一的学习器汇总在一起,需要一种怎么样的策略?同样,想想随机森林是怎么干的。

假设我们思考了5分钟,豁然开朗:
(1)问:如何构建多个单一的学习器?(简答题,

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jet4505

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值