本文探讨了在二分类问题中，如何通过集成多个正确率为60%的弱分类器来提高整体分类精度。举例说明了当使用10个或100个分类器时，如何通过多数投票的方式达到接近99%甚至100%的分类准确率，并讨论了bagging方法的优势。
（1）、对于某二分类问题，现有一分类器，其分类器分类正确的概率为60%,错误的概率为40%。若构造了10个正确率都是0.6的分类器，采用少数服从多数的原则进行最终分类，求最终分类的正确类？若构造100个分类器？
解析：分类正确含义：原始类别为正，预测为正；原始类别为负，预测为负；
举例：若有五个分类器，其分类正确的可能性为，其中有3个或4个或5个分类正确纪委最终分类正确。
最终概率为：
（2）、有bagging得出结论：即使一个分类器很弱，仅仅为60%左右的正确率，但是多进行几次，将会做出99%甚至100%的结果。对于有些事仅为60%可能性做成功，多进行几次，一定会有成功的次数。对字符串类型将其变成某些数字处理即为特征提取
扫一扫
2164
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
