知识卡片
套袋重采样并聚合
套袋(bagging)对训练集进行多次有放回重采样,分别训练学习器,再聚合预测:分类常投票,回归常取平均。数据扰动使模型有所差异,对不稳定模型有助于降低方差;共同偏差不会因投票自动消失。
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
- 集成算法 · 查看原书依据
集成构造的方法称为套袋算法
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第14章《集成算法》(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0021_split_004.html`)
- 结论依据:原文讨论系统性偏差、投票和有放回重采样;效果取决于错误相关性和数据。
- 原始内容:集成构造的方法称为套袋算法(bagging),这是引导聚集算法(bootstrap aggregating)的简称。和猜测的一样,它使用了我们在第2章中介绍的引导思想。在那里,我们看到了如何通过引导来评估数据的质量,这些