bagging和boosting及Adaboost的推导
- bagging: 对训练样本进行自助采样,产生若干个不同的子集,再从每个数据子集中训练出一个基学习器,再将这些基学习器进行结合。 Bagging主要降低方差,同时由于各轮学习器之间相互独立,因此可以并行运行
- Boosting:boosting是一族可将弱学习器提升至强学习器的算法。先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续受到更多关注,然后在基于调整后的样本分布来训练下一个学习器。如此重复进行,直至基学习器数目达到事先指定的值T,最后将这T个基学习器进行加权结合。Boosting主要降低偏差,每个弱学习器都有相应的权重,学习误差小的学习器有较大的权重。
这里结合《机器学习》对Adaboost进行了详细的推导
文章图片
image-20200407232004595.png 【bagging和boosting及Adaboost的推导】也有另一种推到方式:
机器学习笔记:AdaBoost 公式推导
推荐阅读
- 急于表达——往往欲速则不达
- 第三节|第三节 快乐和幸福(12)
- 20170612时间和注意力开销记录
- 2.6|2.6 Photoshop操作步骤的撤消和重做 [Ps教程]
- 对称加密和非对称加密的区别
- 眼光要放高远
- 樱花雨
- 前任
- 2020-04-07vue中Axios的封装和API接口的管理
- 烦恼和幸福