分类图:
备注:GBDT算法做分类问题时,损失函数如果是指数损失函数时,则算法原理与Adaboost算法相同。
分类图制作代码如下:
from graphviz import Digraph
fig=Digraph(comment='Ensemble learning')
fig.node('a','Ensemble learning')
fig.node('b','boosting',fontname='FangSong')
fig.node('c','bagging')
fig.node('d','Adaboost')
fig.node('f',u'提升树',fontname='FangSong')
fig.node('F',u'其他',fontname='FangSong')
fig.node('e','GBDT')
fig.node('g','Random Forest')
fig.node('h',u'其他',fontname='FangSong')
fig.node('i','CART DecisionTree--Classifier')
fig.node('I','CART DecisionTree--Classifier')
fig.node('j','CART DecisionTree--Regressor')
fig.node('J','CART DecisionTree--Regressor')
fig.node('k',u'有放回,特征的随机选择',fontname='FangSong')
fig.node('l',u'无放回',fontname='FangSong')
fig.edge('a','b',label=u'弱分类器串行,强依赖',fontname='FangSong')
fig.edge('a','c',label=u'弱分类器并行,无强依赖',fontname='FangSong')
fig.edges(['bf','bd','fe','fF','ch','cg'])
fig.edge('d','i',label=u'分类--弱分类器',fontname='FangSong')
fig.edge('d','j',label=u'回归--弱分类器算法',fontname='FangSong')
fig.edge('e','I',label=u'分类--弱分类器',fontname='FangSong')
fig.edge('e','J',label=u'回归--弱分类器算法',fontname='FangSong')
fig.edge('g','k',label=u'弱分类器样本特点',fontname='FangSong')
fig.edge('h','l',label=u'弱分类器样本特点',fontname='FangSong')
fig.view() #显示pdf图
fig.render(u'集成学习分类图',view=True) #保存并显示pdf图