知识卡片
集成学习
集成学习通过组合多个分类器提升整体泛化能力,包括Stacking、Boosting与Bagging三类。常用于物体追踪识别、癌症预测与数据挖掘等场景,效果优于单一学习器。
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。
在整书笔记中的位置
原书出处 · 1 处
- 前沿安全技术 · 查看原书依据
集成学习(Ensemble Learning)能通过组合多个分类器对数据集进行预测,提高整体分类器的泛化能力,取得比单个学习器更好的效果。集成学习算法包括Stacking堆积算法(不同模型)、Boosting提升算法(差异化权重)、Bagging引导聚集算法(平均权重)。
参考来源
- 位置:《大型互联网企业安全架构(石祖文)》第15章《前沿安全技术》(源文件:extracted/大型互联网企业安全架构 (石祖文)/_epub-src/EPUB/xhtml/chapter020)
- 结论依据:原文给出对应定义与依据,支撑本卡结论。
- 原始内容:集成学习(Ensemble Learning)能通过组合多个分类器对数据集进行预测,提高整体分类器的泛化能力,取得比单个学习器更好的效果。集成学习算法包括Stacking堆积算法(不同模型)、Boosting提升算法(差异化权重)、Bagging引导聚集算法(平均权重)。