知识卡片
有放回采样制造成员差异
Bagging 为各成员分别有放回抽样。每个副本里部分记录可能重复,另一些不会出现。成员训练可以并行,最终聚合预测。重复用同一原数据有助于稳定易受训练样本波动影响的基模型。
[[集成区分训练与聚合]]。有放回采样让并行成员取得不同的训练数据。
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
- 11.2 集成学习方法的具体实现方式 · 查看原书依据
何进行训练,另一个是如何完成预测。在单个模型时,进行训练都是采用全部训练集,采用Bagging集成学习则不同,每个具体的学习器所使用的数据集以放回的采样方式重新生成,也就是说,在每个学习器生成训练集时,每个数据样本都有同样的被采样概率。训练
参考来源
- 位置:《机器学习算法的数学解析与Python实现》11.2 集成学习方法的具体实现方式(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00119.html`)
- 结论依据:本节用自助采样独立训练成员,并在分类时投票。
- 原始内容:何进行训练,另一个是如何完成预测。在单个模型时,进行训练都是采用全部训练集,采用Bagging集成学习则不同,每个具体的学习器所使用的数据集以放回的采样方式重新生成,也就是说,在每个学习器生成训练集时,每个数据样本都有同样的被采样概率。训练