- 博客(2)
- 收藏
- 关注
RSS订阅转载 lasso回归
Lasso方法可以达到变量选择的效果，将不显著的变量系数压缩至0，而Ridge方法虽然也对原本的系数进行了一定程度的压缩，但是任一系数都不会压缩至0，最终模型保留了所有的变量。 lasso回归
2021-07-05 10:30:35
205
转载 集成方法：bootstrap,boosting,stacking
一些学习笔记，markdown一下~ 1. Bootstrap(Bagging) 自助法 从数据集D中，有放回随机采样m次，组成一个新样本集D’ 2. Boosting 提升法 根据它们的上一轮的分类准确率给予不同的权重。加和弱学习者之后，数据通常会被重新加权，来强化对之前分类错误数据点的分类，其中一个经典的提升算法例子是AdaBoost。 3. Stacking 堆叠法 将训练好的所有基模型对整个训练集进行预测，第j个基模型对第i个训练样本的预测值将作为新的训练集中第i个样本的第j个特征值，最后基于新
2021-06-22 18:03:30
197
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人