集成学习的一些算法

基本思想：“分而治之”。集成学习能够根据不同的单分类器产生的分类决策边界，产生一个集成分类器的边界，集成模型中的单个分类器起到了“分”的作用。

优势：有效降低单个分类器模型的预测误差。

 其中，m为模型数量，r为模型的错误率。当r=0.4时，集成学习模型规模和误差曲线如下图。

需要满足的两个条件：

①分类器之间应该具有预测差异性，这样才能提高模型的集成精确度；

②每个个体分类器的分类精度必须大于0.5，否则会起到负面效果。

（一）Bagging