索引 / 标签
#集成学习
共 6 篇
- Ch04 机器学习
Bagging (Bootstrap Aggregating)
Bagging (Bootstrap Aggregating, 装袋法/自助聚合) 是一种并行式集成学习方法。其核心思想是：通过对训练集进行多次自助采样 (Bootstrap Sampling) 生成多个不同的子训练集，在每个子集上独立训练一个基学习器 (Base Learner
约 3 分钟1,019 字 - Ch04 机器学习
Boosting (提升法)
Boosting (提升法) 是一种串行式集成学习方法，核心思想是：通过迭代训练一系列弱学习器 (Weak Learners)，每个后续学习器都聚焦于前一个学习器的错误样本，最终将所有弱学习器加权组合成一个强学习器。
约 4 分钟1,166 字 - Ch04 机器学习
Isolation Forest (孤立森林/隔离森林)
Isolation Forest (iForest, 孤立森林/隔离森林) 是一种基于集成学习的无监督异常检测算法，由 Liu, Ting, 和 Zhou 于 2008 年提出。其核心思想极其简洁：异常点 (Anomaly) 是"少而不同"的，因此更容易被随机分割隔离。
约 4 分钟1,288 字 - Ch04 机器学习
概念-随机森林
随机森林（Random Forest）是多棵决策树的 Bagging 集成：每棵树用随机抽样的样本和随机选择的特征训练，最终通过投票（分类）或平均（回归）输出结果。它是快速获得可靠 baseline 的首选算法，也是工业界最常用的可解释性模型之一。
约 5 分钟1,492 字 - Ch04 机器学习
集成学习 (Ensemble Learning)
集成学习（Ensemble Learning）是一种通过组合多个基学习器（Base Learner）来获得更优预测性能的机器学习范式。其核心思想是"三个臭皮匠，顶个诸葛亮"——多个弱学习器通过适当的组合策略，可以形成一个强学习器。集成学习是 Kaggle 竞赛和工业应用中的常胜将
约 4 分钟1,202 字 - Ch04 机器学习
深挖-决策树
一句话理解 决策树是一种通过递归地将数据按特征值分裂成子集来构建的树形模型，每个内部节点代表一个特征上的判断（if-then 规则），每条从根到叶的路径就是一条分类规则。它就像玩"20 个问题
约 7 分钟2,173 字