集成学习
比较Boosting和Bagging的异同 二者都是集成学习算法，都是将多个弱学习器组合成强学习器的方法。 Bagging：代表是随机森林、dropout 从原始数据集中每一轮有放回地抽取训练集，训练得到k个弱学习器，将这k个弱学习器以投票的方式得到最终的分类结果。s1：利用自助采样法对训练集随机采样，重复进行 T 次;s2：基于每个采样集训练一个基学习器，并得到 T 个基学习器；s3：预测时，集体**投票决策****。Boosting：代表是adaboost，gbdt 每一轮根据上一轮的分类结果动态调整每个样本在分类器中的权重，训练得到k个弱分类器，他们都有各自的权重，通过加权组合的方式得到最终的分类结果。s1：先从初始训练集训练一个基学习器；初始训练集中各样本的权重是相同的；s2：根据上一个基学习器的表现，调整样本权重，使分类错误的样本得到更多的关注；s3：基于调整后的样本分布，训练下一个基学习器；s4：测试时，对各基学习器加权得到最终结果；**stacking：**训练一个汇总模型来对子分类器结果进行汇总 模型堆叠是一种有效的集成方法，其中使用各种机器学习算法生成的预测被用...
集成学习
比较Boosting和Bagging的异同 二者都是集成学习算法，都是将多个弱学习器组合成强学习器的方法。 Bagging：代表是随机森林、dropout 从原始数据集中每一轮有放回地抽取训练集，训练得到k个弱学习器，将这k个弱学习器以投票的方式得到最终的分类结果。s1：利用自助采样法对训练集随机采样，重复进行 T 次;s2：基于每个采样集训练一个基学习器，并得到 T 个基学习器；s3：预测时，集体**投票决策****。Boosting：代表是adaboost，gbdt 每一轮根据上一轮的分类结果动态调整每个样本在分类器中的权重，训练得到k个弱分类器，他们都有各自的权重，通过加权组合的方式得到最终的分类结果。s1：先从初始训练集训练一个基学习器；初始训练集中各样本的权重是相同的；s2：根据上一个基学习器的表现，调整样本权重，使分类错误的样本得到更多的关注；s3：基于调整后的样本分布，训练下一个基学习器；s4：测试时，对各基学习器加权得到最终结果；**stacking：**训练一个汇总模型来对子分类器结果进行汇总 模型堆叠是一种有效的集成方法，其中使用各种机器学习算法生成的预测被用...
