Machine Learning
1、基础知识
1.1 机器学习方式
1.2 模型评估
1.2.1 错误率与精度
1.2.2 查准率与查全率
2、分类-基本算法
2.1 决策树
2.1.1 决策树的基本原理
2.1.2 决策树的三要素
2.1.3 决策树算法的优缺点
2.1.4 熵和信息增益的区别
2.1.5 剪枝处理的作用及策略
2.1.6 决策树算法-id3
2.1.7 决策树算法-c4.5
2.1.8 决策树算法-cart
3、分类-组合算法
3.1 集成学习概述
3.2 个体学习器
3.3 结合策略
3.4 Bagging和Boosting的联系与区别
3.5 Bagging
3.5.1 随机森林原理
3.6 Boosting
3.6.1 AdaBoost原理
-
+
游客
注册
登录
集成学习概述
## **1 含义** **集成学习**（Ensemble Learning）可以说是现在非常火爆的机器学习方法了，它具有如下特点： * 它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。 * 集成学习可以用于**分类问题集成**、**回归问题集成**、**特征选取集成**、**异常点检测集成**等等，可以说所有的机器学习领域都可以看到机器学习的身影。 ## 2 思想 从下图，我们可以对集成学习的思想做一个概括。对于训练集数据，我们通过训练若干个体学习器，通过一定的结合策略，就可以最终形成一个强学习器，以达到博采众长的目的。  ## 3 参考文献 1. [集成学习原理小结](https://www.cnblogs.com/pinard/p/6131423.html)。
ricear
2021年4月4日 11:21
©
BY-NC-ND(4.0)
转发文档
收藏文档
上一篇
下一篇
手机扫码
复制链接
手机扫一扫转发分享
复制链接
Markdown文件
分享
链接
类型
密码
更新密码