第 1 页 / 共 19 页
第 2 页 / 共 19 页
第 3 页 / 共 19 页
第 4 页 / 共 19 页
第 5 页 / 共 19 页
第 6 页 / 共 19 页
第 7 页 / 共 19 页
第 8 页 / 共 19 页
第 9 页 / 共 19 页
第 10 页 / 共 19 页
第 11 页 / 共 19 页
第 12 页 / 共 19 页
第 13 页 / 共 19 页
第 14 页 / 共 19 页
第 15 页 / 共 19 页
第 16 页 / 共 19 页
第 17 页 / 共 19 页
第 18 页 / 共 19 页
第 19 页 / 共 19 页
机器学习（周志华）学习笔记-第8章＜集成学习＞_机器学习（周志华）第八章图8.4-CSDN
机器学习（周志华）学习笔记-第8章＜集成学习＞_机器学习（周志华）第八章图8.4-CSDN 集成学习，这个概念一开始听起来有点吓人，但它其实是机器学习中一个非常强大且优雅的方法。周志华在《机器学习》这本书中对集成学习进行了深刻的剖析，它本质上是将多个弱学习器组合成一个强学习器。就像一个团队合作，每个成员虽然能力有限，但集合作为，就能发挥出巨大的力量。 核心思想在于，弱学习器之间通常存在相互补充的优势，通过集成，可以显著降低模型的方差，提升泛化能力。周志华在图8.4中详细阐述了各种集成学习方法，主要分为两类：Boosting和Bagging。 Boosting，如AdaBoost和Gradient Boosting Tree，强调的是迭代地训练弱学习器，每个弱学习器都试图纠正前一个弱学习器的错误。 想象一下，你不断地向一个孩子提供反馈，让他逐渐改正错误，最终成为一个优秀的学习者。 这种方法会不断地加权，使得在错误率较高的样本上给予更大的权重，从而提升模型的性能。 Bagging，如随机森林，则通过构建多个数据集的子集，对每个子集训练一个弱学习器，最后将这些弱学习器的预测结果进行平均或投票。这就像让一群人分别根据自己的视角来分析问题，然后汇总他们的意见，以获得更全面的结论。 总而言之，集成学习是周志华《机器学习》中一个非常重要的章节，它提供了解决复杂问题、提升模型性能的有效途径。 通过理解Boosting和Bagging的原理，我们可以更好地掌握集成学习的方法，并在实际应用中加以运用。
展开
机器学习（周志华）
2025-07-21
13次阅读
资料获取方式
温馨提示：登录学霸英雄官网后可获取更多大学生必备科目和考证等复习备考资料！