目的：让机器学习效果更好，单个不行，群殴啊！

　　Bagging：训练多个分类器取平均

　　　　　　

　　Boosting：从弱学习器开始加强，通过加权来进行训练

　　　　　　

　　　　　　（加入一棵树，比原来要强）

　　Stacking：聚合多个分类或回归模型（可以分阶段来做）

bagging模型

　　全称：bootstrap aggregation（说白了就是并行训练一堆分类器）

　　最典型代表：随机森林

　　随机：数据采样随机，特征选择随机

　　森林：很多个决策树并行放在一起

　　　　　　

　　构造树模型

　　　　

　　由于二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样。

　　树模型：

　　　　

　　之所以要进行随机，是要保证泛化能力，如果树都一样，就没有意义了。

　随机森林优势

　　能够处理很高维度（feature很多）的数据，并且不用做特征选择

　　在训练完后，它能够给出哪些feature比较重要

　　容易做成并行化方法，速度比较快

　　可以进行可视化展示，便于分析

　　

KNN模型

　　　　　　

　　KNN就不太适合，因为很难去随机让泛化能力变强！

树模型

　　理论上越多的树效果会越好，但实际上基本超过一定数量就差不多上下浮动了。

Boosting模型

　　典型代表：AdaBoost，Xgboost

　　Adaboost会根据前一次的分类效果调整数据权重

　　如果某一个数据在这次分错了，那么在下一次就会给它更大的权重

　　最终结果：每个分类器根据自身的准确性来确定各自的权重，再合体

Adaboost工作流程

　　每一次切一刀

　　最终合在一起

　　弱分类器就升级了

　　　

Stacking模型

　　堆叠：很暴力，拿来一堆直接上（各种分类器都来了）

　　可以堆叠各种各样的分类器（KNN，SVM，RF等等）

　　分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练

　　为了刷结果，不择手段！

　　堆叠在一起确实能使得准确率提升，但是速度是个问题

　　集成算法是竞赛与论文神器，当我们更关注与结果时不妨试试！

集成算法——Ensemble learning的更多相关文章

  1. 【Supervised Learning】 集成学习Ensemble Learning & Boosting 算法（python实现）

    零. Introduction 1.learn over a subset of data choose the subset uniformally randomly (均匀随机地选择子集) app ...

  2. 笔记︱集成学习Ensemble Learning与树模型、Bagging 和 Boosting

    本杂记摘录自文章<开发 | 为什么说集成学习模型是金融风控新的杀手锏?> 基本内容与分类见上述思维导图. . . 一.机器学习元算法 随机森林:决策树+bagging=随机森林 梯度提升树 ...

  3. 【软件分析与挖掘】Multiple kernel ensemble learning for software defect prediction

    摘要: 利用软件中的历史缺陷数据来建立分类器,进行软件缺陷的检测. 多核学习(Multiple kernel learning):把历史缺陷数据映射到高维特征空间,使得数据能够更好地表达: 集成学习( ...

  4. 6. 集成学习（Ensemble Learning）算法比较

    1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random ...

  5. 第七章——集成学习和随机森林（Ensemble Learning and Random Forests）

    俗话说,三个臭皮匠顶个诸葛亮.类似的,如果集成一系列分类器的预测结果,也将会得到由于单个预测期的预测结果.一组预测期称为一个集合(ensemble),因此这一技术被称为集成学习(Ensemble Le ...

  6. 7. 集成学习（Ensemble Learning）Stacking

    1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random ...

  7. 5. 集成学习（Ensemble Learning）GBDT

    1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random ...

  8. 3. 集成学习（Ensemble Learning）随机森林（Random Forest）

    1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random ...

  9. 4. 集成学习（Ensemble Learning）Adaboost

    1. 集成学习(Ensemble Learning)原理 2. 集成学习(Ensemble Learning)Bagging 3. 集成学习(Ensemble Learning)随机森林(Random ...

随机推荐

  1. flask 操作数据库（分类）

    数据库 数据库是大多数动态web程序的基础设施,只要你想把数据存下来,就离不开数据库. 这里所说的数据库指的是有存储数据的单个或多个文件组成的集合,它是一种容器,可以类比文文件柜.而人们通常使用数据库 ...

  2. CATALINA_OPTS和 JAVA_OPTS区别

    在Tomcat的catalina.sh文件中的启停server脚本中都应用到了两个变量: CATALINA_OPTS和JAVA_OPTS.用于保存Tomcat运行所需的各种参数. 他们在文件中的注释如 ...

  3. Django 自定义

    from django.db import models class MyCharfield(models.Field): def __init__(self,max_length,*args,**k ...

  4. Step3 SQL Server 通过备份文件初始化复制

    一.本文所涉及的内容(Contents) 本文所涉及的内容(Contents) 背景(Contexts) 搭建过程(Process) 注意事项(Attention) 疑问(Questions) 参考文 ...

  5. C#简单线程

    一.实例1 static void Main(string [] args) { Console.WriteLine("开始线程"); startFunc(); Console.W ...

  6. nodejs安装淘宝npm镜像【cnpm】

    安装完nodejs后[自带npm] 如果npm无法使用或需要FQ,可以先安装cnpm,然后使用cnpm install安装模块 安装全局cnpm npm install -g cnpm --regis ...

  7. 用Java实现MVPtree——MVPtree点集内去重以及衍生出来的多维向量Hash问题

    上次完成了MVPtree之后,客户又提出了MVPtree点集元素重复的问题,希望我将元素去重. 集合去重哪家强?java.util找HashSet!如果不计较元素顺序,放进去基本就没有重复元素了. 只 ...

  8. yum指定安装目录

    纯粹做笔记 yum -c /etc/yum.conf --installroot=/opt/test/ --releasever=/ install lrzsz

  9. 解决*.props打开失败问题

    由于不同机器的绝对地址不一样,可能会出现解决*.props打开失败问题,解决方向如下: 1.找到这里缺失的.props文件,复制到固定路径下: 2.强行打开代码,这个时候是报错的 3.选择编辑 4.将 ...

  10. 论证与测试 + 用EA画uml

    论证与测试,谁才是真正的不二法门 第十三次作业的时候,我们开始使用Junit对代码进行测试,主要是测试代码的覆盖率,以及分支的覆盖率.(主要是检查JSF写的是否是符合规范,……). 这里我给出我测试的 ...