将多个个体学习器按一定策略结合成一个学习器（集成） 影响因素 数据差异 不同输入大小训练 特征差异 不同的模型，提取有差异性的特征 四种思想： 主流 bagging（代表：随机森林 RF）：多个模型的结果进行投票亦或求取均值作为最终的输出 boosting（提升。代表：梯度提升树 GB） 不太主流 stacking（堆叠） blending (混合)
本文探讨了集成学习中数据差异、模型选择等因素如何影响结果，深入解析bagging（如随机森林）和boosting（如梯度提升树）的原理，并介绍了stacking和blending两种不那么主流的方法。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
