集成学习方法
2018-09-08 本文已影响0人
雷_哥
常用的两种集成学习方法:bagging & boosting

1.bagging:
每个学习器随机的对样本进行整理。2.各个学习器直接无影响,可以并行进行训练。 3.最终模型按照各个学习器均衡组合

2.boosting
每个学习区直接相互影响,串行化学习,最终的模型是对各个学习器加权求和

3.相关算法分类

常用的两种集成学习方法:bagging & boosting
1.bagging:
每个学习器随机的对样本进行整理。2.各个学习器直接无影响,可以并行进行训练。 3.最终模型按照各个学习器均衡组合
2.boosting
每个学习区直接相互影响,串行化学习,最终的模型是对各个学习器加权求和
3.相关算法分类