机器篇——集成学习(一) 细说 Bagging 算法

返回主目录

返回集成学习目录

上一章：机器篇——决策树(六) 细说 评估指标的交叉验证

下一章：机器篇——集成学习(二) 细说 随机森林(Rondoom Forest) 算法

 

目录内容

机器篇——集成学习(一)  细说 Bagging 算法

机器篇——集成学习(二) 细说 随机森林(Rondoom Forest) 算法

机器篇——集成学习(三) 细说 提升(Boosting) 算法

机器篇——集成学习(四) 细说 AdaBoost 算法

机器篇——集成学习(五) 细说 梯度提升(Gradient Boost)算法 

机器篇——集成学习(六) 细说 GBDT 算法

机器篇——集成学习(七) 细说 XGBoost 算法

机器篇——集成学习(八) 细说 细说 ball49_pred 项目(彩票预测)

机器篇——集成学习(九) 细说 hotel_pred 项目(酒店预测)

 

本小节，细说 Bagging 算法，下一小节细说 随机森林(Rondoom Forest) 算法

 

一. 理解

1. 定义

    所谓集成学习(Ensemble Learning, EL)，简单理解就是指采用多个弱分类器组成一个强分类器，然后，对数据进行预测，从而提高整体分类器的泛化能力。

 

2. 集成学习的方法

    (1). Bagging：引导聚集算法，样本有放回抽样

    (2). Rondom Forest：Bagging + Decision Tree

    (3). Boosting：提升算法

    (4). AdaBoost

    (5). Gradient Boost