<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ThinkChat2.0新版上線,更智能更精彩,支持會話、畫圖、視頻、閱讀、搜索等,送10W Token,即刻開啟你的AI之旅 廣告
                [TOC] ## **1.概念** 集成學習(ensemble learning),本身并不是一個單獨的機器學習算法,而是通過構建并結合多個機器學習器來完成學習任務,以達到獲得比單個學習器更好的學習效果的一種機器學習方法。 **集成學習的好處:** * 提高單個模型的表現 * 減少模型選擇的困擾 * 單個模型的構建可以使用一些簡單的模型 ## **2.關鍵點** * 如何生成好而不同的基評估器 * 如何combine不同基評估器的結果 ## **3.分類** * bagging * boosting * stacking ## **4.隨機森林** ### **1)算法描述** (1).從樣本集中通過重采樣的方式產生n個樣本 (2).假設樣本特征數目為a,對n個樣本選擇a中的k個特征,用建立決策樹的方式獲得最佳分割點 (3).重復m次,產生m棵決策樹 (4).多數投票機制來進行預測 ### **2)特點** * 良好的隨機性(樣本的隨機性+特征的隨機)保障了集成方法的可行性 * 不容易過擬合 * 不需要做特征選擇 * 所有數據都可以在訓練過程中使用到,OOB(Out of Bag)的數據可以用來評估當前的決策樹 * 通用性:可以應用于分類和回歸 ### **3)ensemble.RandomForestClassifier** ## **5. Adaboost** **Adaboost**是adaptive boosting(自適應boosting)的縮寫,由Yoav Freund和Robert Schapire在1995年提出。 * Adaboost是一種迭代算法,其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器),然后把這些弱分類器集合起來,構成一個更強的最終分類器(強分類器)。 * 算法本身是**通過改變數據分布來實現的**,它根據每次訓練集之中每個樣本的分類是否正確,以及上次的總體分類的準確率,來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練,**最后將每次訓練得到的分類器最后融合起來**,作為最后的決策分類器。 * ensemble.AdaBoostClassifier
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看