知识卡片
Bagging等权投票
Bagging 训练多个模型再投票,每个模型权重相同:分类取票数最多的类别,回归取平均值,用多个弱分类器集成出高性能的分类器。典型代表是随机森林:训练每棵树时对样本和特征随机抽样,所以各树略有不同,可以并行训练;合并多棵树的预测能减少方差、降低过拟合,而且不需要特征缩放。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
原书出处
参考来源
- 位置:《分布式机器学习实战》第6章《Spark分布式机器学习平台》(源文件:_epub-src/OEBPS/Text/chapter6.xhtml)
- 结论依据:原文说明Bagging训练多个模型并投票,每个模型的权重都一样,分类取票数最多、回归取平均,用多个弱分类器集成高性能分类器,典型代表是随机森林;随机森林训练每个模型时对特征和样本随机抽样,可以并行训练多棵树;通过合并每棵树的预测减少方差,不需要特征缩放。
- 原始内容:需要训练多个模型,并利用每个模型进行投票,每个模型的权重都一样,对于分类问题,取总票数最多作为分类,对于回归,取平均值。……随机森林可以并行训练多棵树。