28、机器学习集成算法:从Adaboost到模型融合策略

机器学习集成算法:从Adaboost到模型融合策略

1. 影响葡萄酒质量的关键因素

在分析葡萄酒质量时,酒精含量是影响质量的最关键特征,挥发性酸度和密度也是重要方面。其他特征的影响程度大致相同,但表示葡萄酒是红葡萄酒还是白葡萄酒的二元特征,在考虑其他物理和化学特性时,并不是决定性因素。

2. 集成学习基础:Bagging与Boosting
  • Bagging :通过自助法(bootstrapping)在相似的预测器中引入一些变化,从而减少方差。Bagging在创建的模型彼此不同时最为有效,通常与决策树一起使用。
  • Boosting :与Bagging不同,Boosting创建相互关联的简单机器学习算法集成来解决复杂的目标函数。它通过顺序构建模型,并使用前一个模型的信息来训练每个模型。Boosting使用有偏模型(弱学习器),如决策树桩(只有一个分裂分支的决策树)、线性模型、感知机和朴素贝叶斯算法。这些模型在处理复杂目标函数时表现不佳,但训练速度快,且比随机猜测略好。

下面是一个形象的比喻来说明Boosting的工作原理:就像盲人摸象的故事,每个盲人只能摸到大象的一部分,只有将每个人单独了解到的信息汇总起来,才能弄清楚大象的真实形状。Boosting中的每个模型都专注于猜测其他模型失败的目标函数部分,从而简化了集成的整体任务。

3. Adaboost算法详解
  • 算法原理 :Adaboost(自适应提升)是1995年由Yoav Freund和Rob
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
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