集成学习算法

Bagging基本思想

  • 全称:bootstrap aggregation
  • 思想:对原始训练样本集采用自助随机采样(Boostrap Sampling)法(即有放回地随机采样),产生n个新的训练样本子集,以此分别训练n个基学习器,最后采用某种组合策略集成为强学习器
  • 典型代表:随机森林
  • 随机:数据采样随机,特征选择随机
  • 森林:很多个决策树并行放在一起
    在这里插入图片描述

Boosting基本思想

  • 思想:从弱学习器开始加强,通过加权来进行训练
  • 典型代表:AdaBoost、Xgboost
  • AdaBoost(Adaptive Boosting):核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器组合(boost)起来,构成一个更强的最终分类器(强分类器)。不同的训练集是通过调整每个样本对应的权重来实现的。开始时,每个样本对应的权重是相同的,在此样本分布下训练出一个弱分类器。对于分类错误的样本,加大其对应的权重;而对于分类正确的样本,降低其权重,这样分错的样本就被突显出来,从而得到一个新的样本分布。在新的样本分布下,再次训练出一个弱分类器。依次类推,经过T次循环,得到T个弱分类器,把这T个弱分类器按一定的权重组合起来,得到最终的强分类器。
    在这里插入图片描述

Boosting 和 Bagging的比较

在这里插入图片描述
在这里插入图片描述

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

打赏作者

frostmelody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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