知识卡片
两类集成算法对比
Boosting与Bagging都把多个弱学习器合成强学习器,差别根源在取样方式,进而决定运作模式。Bagging对原始集做均匀、有放回随机采样,各轮训练集相互独立,学习器可并行训练;Boosting只取一次训练集、每轮不变,仅根据上一轮错误率调整样本权重,难分样本权重被抬高,学习器必须串行等待前一轮完成。由此带来取舍:通常Boosting因聚焦难例而分类精度更高;但若基学习器很耗时(如神经网络),Bagging的并行能省大量时间,且更利于避免过拟合,反成更优解。二者无绝对优劣,基本思想都是“三个臭皮匠”。启发:选型时先看基学习器成本、数据噪声和并行条件,而非盲目追精度。
结构图:
graph TD
A[集成学习] --> B[Bagging: 有放回均匀取样]
A --> C[Boosting: 按错误率调权]
B --> B1[各轮训练集独立]
B1 --> B2[并行训练弱学习器]
B2 --> B3[投票/平均合成]
C --> C1[同一训练集, 样本权重变化]
C1 --> C2[串行迭代, 聚焦难分样本]
C2 --> C3[加权投票合成]
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
- 要想模型效果好,集成算法少不了 9.4 两类集成算法的对比 · 查看原书依据
两类算法的主要区别在于取样方式不同,从而导致整个算法的运作模式不同。Bagging采用均匀取样,而Boosting根据错误率取样,因而在通常情况下,Boosting的分类精度优于Bagging。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第9章《要想模型效果好,集成算法少不了》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00014.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文“两类算法的主要区别在于取样方式不同,从而导致整个算法的运作模式不同。Bagging采用均匀取样,而Boosting根据错误率取样,因而在通常情况下,Boosting的分类精度优于Bagging”直接点明取样差异及其后果。
- 原始内容:两类算法的主要区别在于取样方式不同,从而导致整个算法的运作模式不同。Bagging采用均匀取样,而Boosting根据错误率取样,因而在通常情况下,Boosting的分类精度优于Bagging。