Ensemble操作,很常用!! 简单的boosting ,bagging 和stacking策略原理

集成学习:

通过训练多个个体学习器,训练一个强学习器

 

类似于boosting的算法原理:

由图可知:

1)先训练一个弱学习器,不断更新初始化权重

2)提高误差率高的训练样本点的权重,将其作为第二个弱学习器的初始化权重

3)最后将所有所有弱学习器结联

 

bagging:

区别:1)每个弱分类器的数据集随机采样获得

          2) 每个弱分类器之间没有直接关系

 

结合策略:

1)投票!! (简单投票,过半投票,加权投票) 

2)stacking方法(即相当于训练一个全连接层,将所有弱分类器的进行剪裁汇总(dropout)),训练一个汇总学习器

3)平均法:对弱分类器的输出结果进行平均

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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
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