图像识别技术与应用课后总结（13）

集成算法的简介

以类比的方式说明，对于复杂任务，综合多个“专家”（个体学习器）的判断，比单个“专家”单独判断的效果更好 。就像图中三个普通人的判断综合起来，能达到类似专家的效果。

 集成学习（ensemble learning）是通过构建并结合多个学习器（即个体学习器，如个体学习器1、个体学习器2等）来完成学习任务。这些个体学习器的输出会进入结合模块，最终产生整体的输出结果。

 简单平均法:

 

 

加权平均法:

 投票法原理：集成学习的结果通过投票法产生，遵循“少数服从多数”原则 。即多个个体学习器（如h1、h2、h3 ）对同一测试例进行预测，预测结果中出现次数多的类别或判断作为集成学习的最终结果。

 不同情况分析：

(a)集成提升性能：在三个测试例中，每个测试例都有至少两个个体学习器预测正确，通过投票法得到的集成结果都是正确的，说明这种情况下集成学习提升了整体性能。

 (b)集成不起作用：测试例3中，个体学习器的预测结果各不一致，集成结果为错误，整体集成效果没有比单个学习器更好，说明此时集成没有起到提升作用。

 (c)集成起负作用：每个测试例中个体学习器的预测结果分散，集成结果都是错误的，而单个学习器在部分测试例上可能有正确预测，这种情况下集成反而产生了负面效果 。