qq_42216093的博客

作者优快云：进击的西西弗斯版权声明：本文为作者原创文章，转载请注明出处在机器学习领域，深度学习（Deep Learning\text {Deep Learning}Deep Learning）一直被神经网络统治着，而浅层学习（Shallow Learning\text {Shallow Learning}Shallow Learning）任然属于树模型的领地。一方面，尽管深度学习在大规模学习上表现强大，但它在小规模学习上的表现却差强人意；另一方面，集成树.

作者优快云：进击的西西弗斯版权声明：本文为作者原创文章，转载请注明出处在机器学习领域，深度学习（Deep Learning\text {Deep Learning}Deep Learning）一直被神经网络统治着，而浅层学习（Shallow Learning\text {Shallow Learning}Shallow Learning）任然属于树模型的领地。一方面，尽管深度学习在大规模学习上表现强大，但它在小规模学习上的表现却差强人意；另一方面，集成树.

集成学习传统机器学习的目标都是训练得到一个预测准确率尽可能高的“强学习器”（决策树、神经网络等），而实际情况中要找到一个最优的“强学习器”很难，为解决这一问题，“集成学习”被提出。“集成学习”认为，对多个预测准确率较低的“弱学习器”（只要求预测准确率略高于随机猜测），如果以某种恰当的方式将这多个“弱学习器”组合，那么就能提升为“强学习器”，获得更高的预测准确率。基于这种思想，1990年, Schapire最先构造出一种多项式级的算法，对该问题做了肯定的证明，这就是最初的 Boosting算法，后来发.