EL：集成学习(Ensemble Learning)的概念讲解、算法分类、问题应用、关键步骤、代码实现等相关配图详细攻略

目录

集成学习Ensemble Learning

1、EL的优缺点

2、集成学习中弱分类器选择 

3、多个弱分类区如何组合 

EL的解决问题类型

EL算法分类

1、VotingClassifier、Bagging

2、Stacking、Blending

3、Boosting

EL代码实现

集成学习Ensemble Learning

          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。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务，实现博采众长。
          一般而言，通常所说的集成学习中的多个学习器都是同质的“弱学习器”。基于该弱学习器，通过样本集扰动、输入特征扰动、输出表示扰动、算法参数扰动等方式生成多个学习器，进行集成后获得一个精度较好的“强学习器”。

思路步骤：集成学习的主要思路是先通过一定的规则生成多个学习器，再采用某种集成策略进行组合，最后综合判断输出最终结果。
核心思想：就是如何训练多个弱分类器以及如何将这些弱分类器进行组合。

1、EL的优缺点

2、集成学习中弱分类器选择 

          一般采用弱分类器的原因在于将误差进行均衡，因为一旦某个分类器太强了就会造成后面的结果受其影响太大，严重的会导致后面的分类器无法进行分类。常用的弱分类器可以采用误差率小于0.5的，比如说逻辑回归、SVM、神经网络。

3、多个弱分类区如何组合 

          基本分类器之间的整合方式，一般有简单多数投票、权重投票，贝叶斯投票，基于D-S证据理论的整合，基于不同的特征子集的整合。

EL的解决问题类型

比如分类问题集成、回归问题集成、特征选取集成、异常点检查集成等。

EL算法分类

Boosting、Bagging、随机森林。

1、VotingClassifier、Bagging

2、Stacking、Blending

3、Boosting

EL代码实现

更新……

相关文章推荐
集成学习算法总结----Boosting和Bagging