本文探讨了Bagging和Boosting两种集成学习方法的区别与应用，Bagging通过随机抽样和多次迭代逼近理想结果，而Boosting则侧重于利用前次结果改进后续预测。文章还涉及了决策树超参数的选择、随机森林的使用以及Bias和Variance的概念。
bagging 和 boosting
https://www.cnblogs.com/earendil/p/8872001.html
感觉就是bagging用随机和多次来近似一个比较好的结果，bossting就是用每次的结果计算来找最好的结果
sklearn决策树相关
https://zhuanlan.zhihu.com/p/68683150?utm_source=wechat_session&utm_medium=social&utm_oi=610526923554689024
正好用决策树处理数据，感觉超参数影响挺大，但是不知道怎么选…
随机森林相关
https://blog.youkuaiyun.com/cg896406166/article/details/83796557
才在看定义，还没用过，听说效果不错
Bias 和 Variance相关
https://www.jianshu.com/p/8c7f033be58a
这个算是原来就知道的知识，不过现在结构更明朗了
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
