- ensemble learning 集成学习
-
定义：集成学习是一种机器学习的示例；多个学习者在学习解决同一个问题，多个学习模型的效果肯定优于一个学习模型。
image.png
- 集成学习的常见类型
- Bagging（Random Forest）：构造若干个独立的模型，然后去所有模型预测值的平均值
-
Boosting（Gradient boosting， adaboosting）：时序构造模型，每一个继任模型都需要减少之前模型的偏移量。即将若干个弱模型合成，产生一个强有力的集成模型。
image.png
- Bagging
-
思想： 训练集分成若干个子集，针对若干个子集并行进行模型训练，对预测值平均化。
image.png
- Boosting
-
思想：若干个弱模型组成一个强模型，每个模型都依赖于前个模型。
image.png
- Bagging和Boosting区别
-
三张图
image.png
image.png
image.png
- AdaBoost
-
定义： 是一种调整式Boosting方法。
image.png
image.png
