集成学习

《Scikit-Learn与TensorFlow机器学习实用指南》 第02章 一个完整的机器学习项目（下）

（第一部分机器学习基础）第01章机器学习概览第02章一个完整的机器学习项目（上）第02章一个完整的机器学习项目（下）第03章分类第04章训练模型第05章支持向量机第06章决策树第07章集成学习和随机森林第
SeanCheney·2020-03-21 10:59

集成学习系列(四)-AdaBoost与前向分步算法

AdaBoost算法还有一个解释，即可以认为AdaBoost模型为加法模型，损失函数为指数函数，学习算法为前向分步算法时的二类分类学习方法。首先，我们来看一下什么是前向分步算法。1、前向分步算法考虑加法模型(additivemodel)：在给定训练数据及损失函数的L(y,f(x))的条件下，学习加法模型f(x)成为经验风险极小化即损失函数极小化问题：通常这时一个复杂的优化问题，用前向分步算法求解这
文哥的学习日记·2020-03-20 12:24

机器学习集成学习与树家族汇总

本文会借助对集成学习（EnsembleLearning）的分析，对决策树（DecisionTree）、随机森林（RandomForest）、梯度提升树（GradientBoostedDecisionTree
二十四号·2020-03-14 10:36

学习笔记-随机森林、提升树、GBDT

在之前的章节里，学习了集成学习的两个代表方式：bagging和boosting，现在来看如果将bagging和boosting运用在决策树中。
Pluto_wl·2020-03-13 08:07

机器学习：XGBoost和GBDT的区别

原文链接：http://www.elecfans.com/d/995278.htmlxgboost是一种集成学习算法，属于3类常用的集成方法(bagging,boosting,stacking)中的boosting
不才~·2020-03-12 17:26

adaboost 笔记

adaboost是一种集成学习算法。适用于二分类。是一个多分类器。由于多种分类器集成会比单一算法更有泛化性，并且不容易overfitting，集成算法算是比较有优势的算法，近期也是广受运用。
小乙集·2020-03-11 05:03

[Deep Learning] 集成学习Ensemble Learning&迁移学习Transfer Learning

本文是DeepLearningCourse总结系列的第三篇，在防止过拟合，降低训练集和测试集间输出误差的解决方案上，除了正则化处理还可以采用集成学习和迁移学习的方法。
JingYANG_8·2020-03-11 01:41

集成学习方法（组合分类器）

1.引言  典型的集成学习方法有bagging,boosting以及随机森林，stacking也是一种集成学习方法。本文参考《数据挖掘导论》，简单回顾一下几种集成学习方法的要点。
吴金君·2020-03-05 04:26

Ensemble Learning

集成学习为什么要在数据子集而不是大数据上学习？只有在数据子集上才能学到简单的规则，而在大数据上则不能。如何挑选数据子集？均匀采样。如何集成？
Dorts·2020-03-02 10:51

[Deep Learning] 神经网络基础 Foundations

本系列更多文章传送门：第二篇[DeepLearning]卷积神经网络CNNs；第三篇[DeepLearning]集成学习EnsembleLearning&迁移学习TransferLearning；第四篇
JingYANG_8·2020-02-29 14:40

05 SVM - 支持向量机 - 概念、线性可分

在不考虑集成学习算法，不考虑特定的数据集的时候，在分类算法中SVM可以说是特别优秀的。
白尔摩斯·2020-02-26 16:53

「神经网络」能否代替「决策树算法」？

但先要说明决策树就是决策树，随机森林和xgboost的性能提升主要是来自于集成学习。
FlyAI·2020-02-25 01:54

08 集成学习 - XGBoost概述

概述XGBoost是GBDT算法的一种变种，是一种常用的有监督集成学习算法；是一种伸缩性强、便捷的可并行构建模型的GradientBoosting算法。
白尔摩斯·2020-02-24 21:28

图解集成学习中的梯度提升思想

摘要：本文讲述集成学习中的梯度提升方法的思想，以简单算术及图片的形式展示整个过程，一看就懂！
阿里云云栖号·2020-02-20 16:13

集成学习

集成学习一句话版本集成学习的思想是将若干个学习器（分类器&回归器）组合之后产生新的学习器。在学习这一章节中，老师提到了这个说法，我觉得非常言简意赅就直接引用了过来。
DeamoV·2020-02-19 00:00

集成学习实现

1、VotingClassifiers（投票分类器）假设我们已经训练了一些分类器，创建一个更好的分类器的一种非常简单的方法是聚合每个分类器的预测并预测获得最多选票的类。令人惊讶的是，这种投票分类器通常比集合中的最佳分类器具有更高的准确度。事实上，即使每个分类器都是弱学习者（意味着它只比随机猜测稍微好一些），整体仍然可以成为一个强大的学习者（达到高准确度），只要有足够数量的弱学习者并且他们足够多样化
单调不减·2020-02-18 11:55

基于机器学习PAI的客户流失预警分析

本课程讲解了客户流失的分析方法、流程，同时详细介绍了机器学习中常用的分类算法、集成学习模型等通用技能，并使用阿里云机器学习PAI实现流失预警分析。
阿里云大学百科·2020-02-17 17:46

初识集成学习

机器学习中集成学习的思想与之类似。
python之家·2020-02-17 14:00

集成学习（ensemble learning）

本章参考西瓜书第八章编写从个体和集成之间的关系出发，引出了集成学习的遵循的两大标准：基学习器的准确定和多样性。
MikeShine·2020-02-17 03:54

集成学习（二）—— 随机森林

随机森林简介随机森林就是决策树+bagging+随机属性。就是说在决策树的基础上，使用bagging搞了多个模型最后投票决定分类。另外不同数据集之间的属性也可能是不一样的，因为不仅是样本随机选，属性也是随机选的，可能在这个数据集里样本有abc三个属性，到了另一个数据集里就是def三个属性了。大概就是这样吧，也没啥好说的。sklearn实现随机森林importnumpyasnpimportmatpl
Paul_1i·2020-02-16 21:12

百面机器学习｜第十二章集成学习知识点(一)

第十二章集成学习1、集成学习的种类集成学习是一大类模型融合策略和方法的统称，其中包含多种集成学习的思想。Boosting：Boosting方法训练基分类器时采用串行的方式，各个基分类器之间有依赖。
蓝白绛·2020-02-16 07:11

XGBoost算法原理

简介XGBoost算法是以CART为基分类器的集成学习方法之一，由于其出色的运算效率和预测准确率在数据建模比赛中得到广泛的应用。
番茄猫·2020-02-16 04:51

集成学习方法1

一、集成学习算法简介学习西瓜书笔记。集成学习（ensemblelearning）通过构建并结合多个学习器来完成学习任务。如何产生“好而不同”的个体学习器，是集成学习研究的核心。
小碧小琳·2020-02-15 01:06

【算法】随机森林

0x01概述随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支——集成学习（EnsembleLearning）方法。
Pino_HD·2020-02-14 21:37

集成学习

集成学习集成思想主要分为两大流派，Boosting一族通过将弱学习器提升为强学习器的集成方法来提高预测精度（典型算法为AdaBoost）；而另一类则为Bagging，即通过自助采样的方法生成众多并行式的分类器
惊不意外·2020-02-14 08:53

集成学习综述-从决策树到XGBoost

姓名李林涛学号16020199032转自：http://sigai.cn/paper_11.html有删节【嵌牛导读】：集成学习是机器学习中一种特殊的存在，自有其深厚而朴实的武功哲学，能化腐朽为神奇，变弱学习为强学习
墨翎_·2020-02-12 17:38

集成学习——组合多学习器

介绍第一部分参数方法——类密度模型参数估计第二部分监督学习——分类（基于似然的方法）第三部分监督学习——分类（基于判别式的方法）（参数方法——判别式参数估计）第四部分监督学习——回归第五部分监督学习——关联规则第六部分维度规约（特征的提取和组合）第七部分半参数方法第八部分非监督学习——聚类第九部分非参数方法——密度估计第十部分非参数方法——决策树实现的判别式第十一部分多层感知器——非参数估计器第十
有机会一起种地OT·2020-02-12 04:35

集成学习

1、个体与集成集成学习（ensemblelearning）通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统。
单调不减·2020-02-11 12:59

《Scikit-Learn与TensorFlow机器学习实用指南》第7章 集成学习和随机森林

第7章集成学习与随机森林来源：ApacheCN《Sklearn与TensorFlow机器学习实用指南》翻译项目译者：@friedhelm739校对：@飞龙假设你去随机问很多人一个很复杂的问题，然后把它们的答案合并起来
布客飞龙·2020-02-11 05:40

集成学习之随机森林

随机森林的主要作用是降低模型的复杂度，解决模型的过拟合问题。1、随机森林概述¶随机森林利用随机的方式将许多决策树组合成一个森林，每个决策树在分类的时候投票决定测试样本的最终类别。2、随机森林算法流程¶随机森林是非常具有代表性的Bagging集成算法，它的所有基评估器都是决策树，分类树组成的森林就叫做随机森林分类器，回归树所集成的森林就叫做随机森林回归器。其主要包括4个部分：随机选择样本；随机选择特
极简Maggie·2020-02-10 12:00

高效机器学习算法——GBDT

集成学习引用百科中的一段话：集成学习是使用一系列学习器进行学习，并使用某种规则把各个学习结果进行整合从而获得比单个学习器更好的学习效果的一种机器学习方法。一般
Lyria_Tailver·2020-02-08 15:20

集成学习

这一组分类器就叫做集成；因此，这个技术就叫做集成学习，一个集成学习算法就叫做集成方法。例如，你可以训练一组决策树分类器，每一个都在一个随机的训练集上。为了去做预测，你
城市中迷途小书童·2020-02-07 19:46

机器学习之随机森林(简单理解)

集成学习通过构建并结合多个分类器来完成学习任务。将多个学习器进行结合，常比获得单一学习器更好的泛化性能。
swensun·2020-02-07 10:40

模型融合 Blending 和 Stacking

构建并结合多个学习器来完成学习任务，我们把它称为模型融合或者集成学习。
tikyle·2020-02-07 08:55

第八章 集成学习

集成学习的概念集成学习(ensemblelearning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统。
尘濯·2020-02-06 22:19

比谷歌版更完整！机器学习概念整理（出自西瓜书）

中提出或者直接PR公式采用latex编辑，MathJax渲染整理by:ahangchen,luopengting,hscspring章节列表o绪论o模型评估与选择线性模型决策树神经网络支持向量机贝叶斯分类器集成学习聚类降维与度量学习特征选择与稀疏学习计算学习理论半监督学习概率图模型规则学习强化学习
梦里茶·2020-02-06 22:56

利用随机森林对特征重要性进行评估

前言随机森林是以决策树为基学习器的集成学习算法。随机森林非常简单，易于实现，计算开销也很小，更令人惊奇的是它在分类和回归上表现出了十分惊人的性能，因此，随机森林也被誉为“代表集成学习技术水平的方法”。
BenjaminY·2020-02-05 21:44

adaboost、adaboost.m1、adaboost.m2简介

集成学习常见的两种集成方案为bagging和boosting，其中bagging是一种基于投票的并行方案，boosting是一种基于改变原始数据集分布的迭代串行方案（某些环节也可并行）。
宾克斯的美酒_fb4c·2020-02-05 11:18

经典机器学习系列之【集成学习】

在机器学习中也有一类算法，将这两种思想融合起来，取其精华，它就是集成学习，算法将不同的学习器融合在一起。  
小小何先生·2020-02-04 15:17

（二）：GBDT算法梳理

GBDT也是集成学习Boosting家族的成员，但是却和传统的Adaboost有很大的不同。回顾下Adaboost，我们是利用前一轮迭代弱学习器的误差率来更新训练集的权重，这样
两个橘子·2020-02-02 17:22

集成学习为什么好？

集成为什么比单个学习器要好？针对不同的集成方法、不同的基学习器有不同的证明方法。我们就以一个最简单栗子加以说明。以二分类问题为场景，假设我们在一个数据集上设法训练出了若干个弱学习器，这些弱学习器的泛化错误率均为ε且相互独立。补充两点：①使用同一数据集训练的学习器错误率不可能互相独立，但仍有办法使它们尽量和而不同；②ε至少要小于0.5，不然这个学习器还不如随机猜测。然后我们用一种最简单的集成方法：使
迪丽娜扎·2020-01-28 21:04

[机器学习算法]Adaboost与提升树

并且根据个体学习器之间是否存在强依赖关系，我们将集成学习分为boosting和bagging两大类（强依赖性体现在弱学习器的抽样方法）。
TOMOCAT·2020-01-28 03:21

机器篇——集成学习(三) 细说 提升(Boosting) 算法

返回主目录返回集成学习目录上一章：机器篇——集成学习(二)细说随机森林(RondoomForest)算法下一章：机器篇——集成学习(四)细说AdaBoost算法本小节，细说提升(Boosting)算法，
万道一·2020-01-27 17:45

[机器学习算法]XGBoost

简介XGBoost算法是以CART为基分类器的集成学习方法之一，由于其出色的运算效率和预测准确率在数据建模比赛中得到广泛的应用。
TOMOCAT·2020-01-27 15:41

机器学习回顾篇（15）：集成学习之GDBT

1引言¶梯度提升树算法（GradientBoostingDecisionTree，GBDT）是一个非常经典的机器学习算法，和我们前面介绍过的Adaboost算法一样，都是提升学习系列算法中的一员。从“梯度提升树”这个算法名称中我们也可以看出，这又是一个决策树的集成算法，更进一步地说，这个算法是以CART决策树算法作为基学习算法的一种集成算法。对于CART决策树算法，在之前的博客中已经有详细的介绍，
奥辰·2020-01-27 10:00

数据科学（DS)学习笔记-集成学习

集成学习是机器学习中一个非常重要且热门的分支，是用多个弱分类器构成一个强分类器，其哲学思想是“三个臭皮匠赛过诸葛亮”。一般的弱分类器可以由决策树，神经网络，贝叶斯分类器，K-近邻等构成。
牧小熊·2020-01-17 10:40

集成学习-Stacking

在集成学习中，结合策略也是影响集成模型性能的重要因素之一。传统的结合策略有多数投票、加权平均等。Stacking的本质是设计合适的结合策略，达到比传统结合策略更优的集成效果。
Panpan Wei·2020-01-14 11:57

集成学习

集成学习(ensemblelearning)通过组合多个弱监督模型得到一个更好更全面的强监督模型，其潜在的思想是即便某一个弱分类器得到了错误的预测，其他的弱分类器也可以将错误纠正回来。
殉道者之花火·2020-01-13 11:39

机器学习算法之——梯度提升（Gradient Boosting）

集成学习（GradientBoosting）原理详解及Python实现前言一、集成学习的思路二、增强集成学习（Boosting）1.基础理解2.AdaBoosting集成学习算法2.1思想2.2特点：2.3Python
Charmve·2020-01-12 00:11

集成学习Bagging和Boosting算法总结

一、集成学习综述集成方法或元算法是对其他算法进行组合的一种方式，下面的博客中主要关注的是AdaBoost元算法。将不同的分类器组合起来，而这种组合结果被称为集成方法/元算法。
CurryCoder·2020-01-11 19:46
上一页 42 43 44 45 46 47 48 49 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他