李宏毅深度学习之集成学习

最新推荐文章于 2023-12-31 01:41:13 发布

weixin_43848117

最新推荐文章于 2023-12-31 01:41:13 发布

阅读量3.3k

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习文章标签：李宏毅机器学习集成学习深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_43848117/article/details/99822726

本文探讨了集成学习中的两种主要方法：Bagging和Boosting。在Bagging中，通过无序的模型组合如决策树和随机森林来减少过拟合风险。而在Boosting中，如Adaboost和Gradient Boosting，通过有序地增强弱学习器的性能来提升整体准确率。文章深入解释了Adaboost的思想，即重新加权训练数据，并介绍了Gradient Boosting的概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.bagging

没有顺序的。
bagging是将单个函数的结果进行average（回归）或voting（分类），当在model很复杂的情况下，担心过拟合问题，可以做bagging。
bagging

1.1容易过拟合的模型

1.1.1decision tree(决策树)

决策树
实例1

1.1.2随机森林（Random Forest）

随机森林是决策树在bagging方法下的应用。

实例2

2.Boosting

是有顺序的。
Boosting是算法准确性在测试集低于50%的多种算法进行Boosting。
需要找到Fun1至FunN两两最互补的函数，

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。