知识卡片
集成学习与多数投票
集成方法把不同分类器组合成一个元分类器,获得比单个成员更好的泛化性能与鲁棒性。多数投票把得票率超50%的类标作为最终结果(仅适用于二分类),多类别时推广为简单多数票法(取票最多类标)。成员可以是不同算法(决策树/SVM/逻辑斯谛回归等),也可用同一算法拟合不同训练子集(如随机森林组合多棵决策树)。在成员独立且出错率不相关的假设下,用二项分布可算出集成出错率远低于单个成员(11个ε=0.25的成员集成后ε≈0.034)。
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
- 集成学习——组合不同的模型 · 查看原书依据
集成方法(ensemble method)的目标是:将不同的分类器组合成为一个元分类器,与包含于其中的单个分类器相比,元分类器具有更好的泛化性能
参考来源
- 位置:《Python机器学习》第7章《7.1 集成学习》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/part0099.xhtml.xhtml)
- 结论依据:原文直接支撑上述要点。
- 原始内容:集成方法(ensemble method)的目标是:将不同的分类器组合成为一个元分类器,与包含于其中的单个分类器相比,元分类器具有更好的泛化性能