← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9831.e · 生成模型:DeepSeek-V4.1-Flash

集成输出的两种合成

理解等级:中级

训练结束后,K 个基学习器如何合成一个输出,分类与回归的答案不同。

分类(多分类):加权投票。对每个类别 c_l 累加所有把它判为该类的基学习器权重,

f(x) = argmax_l Σ_k α_k · 1[T_k(x) = c_l]

即”谁的票数最高就是谁”。注意票数只统计命中与否,一个基学习器即使以 0.99 的概率判为某类,也只贡献一张 α_k 的票。

分类(二分类):上式退化为 sign(Σ_k α_k T_k(x)),因为只有两类,两类得票之差就等于加权和,不需要显式投票。

回归:加权求和 f(x) = Σ_k α_k T_k(x)。回归输出本身是实数、可加,直接线性组合即可。

为什么分类不直接加权求和:类别标签是名义值,把它编码成 1/2/3 再求和会让”类别距离”变得有意义,而实际上类之间没有大小关系。投票避免了这个虚假的数值结构。反过来,回归目标天然有序、可加,求和是合理的。

这一区别带来一个共同弱点:合成时只用了基学习器的”结论”,没有用它的”置信度”。SAMME.R 正是针对这点做的改进——它让投票权重与类别概率挂钩(见 [[SAMME.R 用概率定票]])。回归侧的加权求和则与提升树的加法模型形式一致,第 11 章的 fk = f{k-1} + T_k 可以看作它的逐轮展开版。

这张卡片看不懂?

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

    参考来源

    - 位置:《机器学习基础:从入门到求职》第10章《AdaBoost》(源文件:extracted/机器学习基础:从入门到求职/_epub-src/OEBPS/text00013.html) - 结论依据:原文说明多分类按加权票数取最大类别、二分类退化为加权和,回归则用加权求和集成。 - 原始内容:进行基学习器集成时,分类问题采用的是按权重投票决定最终结果,而回归问题是取各基学习器预测结果乘以各自权重后的求和作为最终结果。