本文介绍了集成学习的核心概念，特别是Bagging和Boosting策略。通过Bagging中的Random Forests解释了如何通过有放回采样创建多样性的分类器，并在测试时采用投票机制。接着探讨了Boosting，尤其是Adaboost，强调其如何根据前一轮分类错误调整样本权重，以提升整体分类性能。最后，展示了Adaboost在实际应用中的效果，虽然组合模型增加了复杂性，但避免了过拟合。
前言
在解决分类问题时，假如分类模型不够强大，对样本的分类结果就不会很理想。这时如果我们多找一些分类模型，让它们一起做决策，模型强度会不会高一点呢？
集成学习就是把多种分类器按策略组合起来，并根据所有分类器的分类结果做出最后的判断。
如下图，三种分类器的分类结果都有一点点错误，如果把三类组合在一起就可以完美地把所有形状都区分开，而且分割曲线也较为平滑。
集成学习属于监督学习中的分类问题，分为boosting和bagging两大类。
一、Bagging
如何得到不同的分类器呢？我们可以调整
订阅专栏 解锁全文
扫一扫
评论
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
