Bootstrap sampling

最新推荐文章于 2025-10-12 09:25:39 发布
转载 最新推荐文章于 2025-10-12 09:25:39 发布 · 3.8k 阅读 · 0

bootstrap可以看作非参Monte Carlo
再次重申非参不是没有参数，非参是无穷维参数空间，是无法想到合适参数模型时的默认模式。
bootstrap看作对样本经验分布作随机数生成，产生模拟样本。
Monte carlo的解释是依赖随机数生成而产生新样本对其进行模拟。bootstrap完全符合这个定义。


作者：陈无左
链接：https://www.zhihu.com/question/22929263/answer/31705696
来源：知乎

著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。


来简单讲讲Bootstrap，（Monte Carlo法在中文维基上有了还不错的解答，题主可以参考， 蒙地卡羅方法）。

Bootstrap，即“拔靴法”（不知道翻得对不对），是用小样本来估计大样本的统计方法。举个栗子来说明好了，（我不会贴一个举栗子的图片的放心！）

你要统计你们小区里男女比例，可是你全部知道整个小区的人分别是男还是女很麻烦对吧。
于是你搬了个板凳坐在小区门口，花了十五分钟去数，准备了200张小纸条，有一个男的走过去，你就拿出一个小纸条写上“M”，有一个女的过去你就写一个“S”。
最后你回家以后把200张纸条放在茶几上，随机拿出其中的100张，看看几个M，几个S，你一定觉得这并不能代表整个小区对不对。
然后你把这些放回到200张纸条里，再随即抽100张，再做一次统计。
…………
如此反复10次或者更多次，大约就能代表你们整个小区的男女比例了。

你还是觉得不准？没办法，就是因为不能知道准确的样本，所以拿Bootstrap来做模拟而已。


作者：EdisonChen
链接：https://www.zhihu.com/question/22929263/answer/23098749
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

lee813
关注
随机森林中的自助采样（Bootstrap Sampling）是有放回抽样吗？自助采样过程描述
StyVue的博客
09-22 775
假设原始数据集包含N个样本，那么自助采样就是从中随机选择一个样本并将其放回原始数据集，然后再进行下一次的随机选择，重复这个过程共N次，最终得到一个具有N个样本的新数据集。随机森林中的每个决策树都是通过自助采样得到的。那么在构建每个决策树的训练数据集时，首先从原始数据集中使用自助采样方法生成一个具有M个样本的新数据集。然后，我们创建一个包含10个决策树的随机森林分类器，并使用自助采样的数据集对其进行训练。每个决策树都是通过自助采样得到的不同数据集训练而成的，这保证了每个决策树都有略微不同的训练数据。
bootstrap sampling
dream_mushuang的博客
05-05 2630
Bootstrap，即“拔靴法”（不知道翻得对不对），是用小样本来估计大样本的统计方法。举个栗子来说明好了，（我不会贴一个举栗子的图片的放心！） 你要统计你们小区里男女比例，可是你全部知道整个小区的人分别是男还是女很麻烦对吧。 于是你搬了个板凳坐在小区门口，花了十五分钟去数，准备了200张小纸条，有一个男的走过去，你就拿出一个小纸条写上“M”，有一个女的过去你就写一个“S”。 最后你回家
Bootstrap 简介
m0_57545130的博客
10-12 1107
Bootstrap是一款流行的前端开发框架，由Twitter团队于2011年推出，用于快速构建响应式网页。其核心特点包括12列网格系统、丰富的预定义组件（如导航栏、按钮、表单等）、CSS工具类以及JavaScript插件。Bootstrap 5是其最新版本，不再依赖jQuery，性能更优。优势在于开发效率高、跨浏览器兼容、移动优先设计，并支持Sass定制。可通过CDN或npm安装，适合快速原型开发。但需注意文件大小和风格同质化问题。
bootstrap sample
11-18 223
http://www.bootply.com/render/69913 转载于:https://my.oschina.net/u/942328/blog/177324
Bootstrapping sample
wydbyxr的博客
08-31 2352
Bootstrapping 　　bootstrap sample是什么? OOB(out of boostrap)是什么? 　　boostrap sample: 是一种从给定训练集中有返回的均匀抽样, 也就是, 每当选中一个样本, 它等可能地再次被抽中, 并被添加到训练集中。 　　机器学习中，Bootstrap 方法指的是借助替换的随机采样，它是一个重采样，允许模型或算法更好地理解存在于其...
导入fisheriris数据集，分别采用留出法（Hold Out）、交叉验证法（ Cross Validation）、自举法（Bootstrap Sampling）等获取不同的训 练样本集。
05-25
### 使用 Fisher Iris 数据集实现 Hold Out、Cross Validation 和 Bootstrap Sampling Fisher Iris 数据集是一个经典的多类别分类数据集，包含 150 个样本，每个样本具有四个特征（花萼长度、花萼宽度、花瓣长度和...
导入fisheriris数据集，分别采用留出法（Hold Out）、交叉验证法（ Cross Validation）、自举法（Bootstrap Sampling）等获取不同的训 练样本集。利用fisheriris数据集设计随机森林，并利用不同的决策树对样本[5.7, 2.6, 3.5, 1] T进行判别。利用留出法将fisheriris数据集中的数据划分为训练集和测试集，采用 fitcensemble函数设计Boosting组合分类器。
05-25
- **自举法 (Bootstrap Sampling)** 对原始数据进行有放回抽样生成新的训练集和测试集。 ```matlab bootstrapSampleIndices = randsample(1:length(meas), length(meas), true); trainData_bootstrap = meas...
Bagging（Bootstrap Aggregating）算法是一种集成学习方法，通过对原始数据集进行自助采样（Bootstrap sampling），构建多个基学习器，最后将这些基学习器的结果进行综合，以提高模型的稳定性和泛化能力。以下是对Bagging算法相关内容的拓展，包含三种前沿技术并保留关键代码。 1. 传统Bagging算法基础代码 Python from sklearn.ensemble import BaggingClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import make_classification from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 生成示例数据 X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, n_redundant=0, random_state=42) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 创建基分类器 base_clf = DecisionTreeClassifier() # 创建Bagging分类器 bagging_clf = BaggingClassifier(base_estimator=base_clf, n_estimators=10, random_state=42) # 训练模型 bagging_clf.fit(X_train, y_train) # 预测 y_pred = bagging_clf.predict(X_test) # 计算准确率 accuracy = accuracy_score(y_test, y_pred) print(f"传统Bagging算法准确率: {accuracy}") 2. 前沿技术一：自适应Bagging（Adaptive Bagging） 自适应Bagging算法会根据每个基学习器的性能动态调整样本的权重，使得表现差的基学习器在后续训练中能更多地关注那些被误分类的样本。 Python from sklearn.ensemble import AdaBoostClassifier # 创建自适应Bagging分类器 adaptive_bagging_clf = AdaBoostClassifier(base_estimator=base_clf, n_estimators=10, random_state=42) # 训练模型 adaptive_bagging_clf.fit(X_train, y_train) # 预测 y_pred_adaptive = adaptive_bagging_clf.predict(X_test) # 计算准确率 accuracy_adaptive = accuracy_score(y_test, y_pred_adaptive) print(f"自适应Bagging算法准确率: {accuracy_adaptive}") 3. 前沿技术二：随机子空间Bagging（Random Subspace Bagging） 随机子空间Bagging算法在自助采样的基础上，还对特征进行随机采样，每个基学习器只使用部分特征进行训练，增加了基学习器之间的多样性。 Python from sklearn.ensemble import BaggingClassifier # 创建随机子空间Bagging分类器 random_subspace_bagging_clf = BaggingClassifier(base_estimator=base_clf, n_estimators=10, max_features=0.5, random_state=42) # 训练模型 random_subspace_bagging_clf.fit(X_train, y_train) # 预测 y_pred_random_subspace = random_subspace_bagging_clf.predict(X_test) # 计算准确率 accuracy_random_subspace = accuracy_score(y_test, y_pred_random_subspace) print(f"随机子空间Bagging算法准确率: {accuracy_random_subspace}") 4. 前沿技术三：多核Bagging（Multi - Kernel Bagging） 多核Bagging算法结合了多种核函数，在处理复杂数据时能更好地捕捉数据的不同特征。 Python from sklearn.svm import SVC from sklearn.ensemble import BaggingClassifier # 创建多核基分类器 base_clf_multi_kernel = SVC(kernel='poly') # 创建多核Bagging分类器 multi_kernel_bagging_clf = BaggingClassifier(base_estimator=base_clf_multi_kernel, n_estimators=10, random_state=42) # 训练模型 multi_kernel_bagging_clf.fit(X_train, y_train) # 预测 y_pred_multi_kernel = multi_kernel_bagging_clf.predict(X_test) # 计算准确率 accuracy_multi_kernel = accuracy_score(y_test, y_pred_multi_kernel) print(f"多核Bagging算法准确率: {accuracy_multi_kernel}") 总结 通过上述三种前沿技术，对传统Bagging算法进行了拓展。自适应Bagging能动态调整样本权重，随机子空间Bagging增加了特征的随机性，多核Bagging结合多种核函数，这些方法都在一定程度上提高了模型的性能和泛化能力。 用鸢尾花的数据进行分析
最新发布
12-11
### 数据准备 首先加载鸢尾花数据集并进行划分： ```python from sklearn.datasets import load_iris from sklearn.model_selection import train_test_split iris = load_iris() X = iris.data ...
bootstrap再抽样_Bootstrap再抽样方法简介
weixin_31289551的博客
12-24 3607
近年来，许多数理统计方法被引入到医学研究中，有些理论在大样本的条件下才能获得稳定的解，如项目反应理论、线性状态空间模型等。但是在实际中．由于成本或者现场条件的限制而无法获得大样本。在现有样本代表性好的条件下，可以通过Bootstrap再抽样方法扩大样本量．即在传统的数理统计基础上进行统计模拟。随着计算机技术的迅猛发展，这一技术已经渗透到许多科学领域．解决了无法采集到大样本的难题。目前医学中常用的统...
bootstrap再抽样_Bootstrap抽样
weixin_42410443的博客
12-24 434
2019-07-07 14:35:47
bootstrap重抽样
dogman_的博客
02-17 1763
bootstrappingmotivationimplement方法一：来自数据科学课堂方法二：来自统计计算课件 motivation 很多统计学的东西都是基于各种假设之下的，当我们不想对数据附加太强硬的情况下，仍然想知道这些数据的分布，此时便是这种方法的用武之地 （但个人还是不太懂这个动机，bootstrap难道没有假设吗，他的性质不需要假设就能证明吗？） implement 个人目前了解到两种用法： 不过这只是两种用法，其内涵是一致的： 方法一：来自数据科学课堂 当我们已经具有一组从母体中抽取的n个样本
bootstrap再抽样_Bootstrap抽样(自展法)
weixin_42486083的博客
12-24 1017
Bootstrap又称自展法，是用小样本估计总体值的一种非参数方法，在进化和生态学研究中应用十分广泛。例如进化树分化节点的自展支持率等。Bootstrap的思想，是生成一系列bootstrap伪样本，每个样本是初始数据有放回抽样。通过对伪样本的计算，获得统计量的分布。例如，要进行1000次bootstrap，求平均值的置信区间，可以对每个伪样本计算平均值。这样就获得了1000个平均值。对着1000...
bootstrap 点击图片放大查看_Stata：Bootstrap 简介
weixin_39623350的博客
11-22 2128
作者： 吴雄(湘潭大学)，童天天(中南财经政法大学), 连玉君(中山大学) Source: The Bootstrap in Stata 特别说明： 文中包含的链接在微信中无法生效。请点击本文底部左下角的【阅读原文】。 Stata 连享会：(知乎 | 简书 | 码云 | 优快云 | 公众号 StataChina) 连享会   最新专题   直播连享会-知乎推文列表Note:...
重采样方法 (Resampling Methods) (CV, Bootstrap)
haoen110的博客
01-19 6762
文章目录IntroductionCross-ValidationThe Validation Set ApproachDrawbacksLeave-One-Out Cross-ValidationIn Linear RegressionDrawbacksK-fold Cross-ValidationBootstrapStepsEstimate of S.E.Estimate of C.I.Boot...
bootstrap自采样再理解
热门推荐
iterate7的博客
03-29 2万+
前言 本文要讨论的并非是Bootstrap工具包，而是统计学习中一种重采样（Resampling）技术。 下面引用的是谢益辉博士关于Bootstrap （和 Jackknife）基本思想的论述，希望能帮助读者对于Bootstrap 建立一个初步的认识： 在统计的世界，我们面临的总是只有样本，Where there is sample, there is uncertainty，正因为不确定性...
分类算法系列⑥：随机森林
逐梦苍穹的博客
09-04 1万+
本文介绍机器学习当中一个非常重要的内容：随机森林。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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