Ensemble(集成)
1954年，Hebb使用这个单词来说明视觉神经细胞的信息加工方式
假设信息加工是由神经集合体来完成
2021-10-09 13:01:42
1.05MB
1
集成学习Bagging ，Boosting等介绍的PPT。集成方法是构建一种对单个分类器进行集成的学习算法，将各分类器的分类结果以一定的方式集成起来实现对新数据点进行分类，其中单个分类器是独立的且不要求分类精度很高。通过这种方式，大大提高了集成系统的性能。
2021-10-02 19:41:37
1.05MB
1
集成学习基础思维导图，根据该导图可以对集成学习有一个框架上的了解，学习了解bagging、boosting、下的随机森林、GBDT、xbg等
2021-09-26 10:21:22
2.12MB
1
关于机器学习方面的集成算法，包括boosting和bagging，里面讲解详细，值得下载
2021-09-19 21:17:35
2.8MB
1
pdf包含机器学习中集成学习的相关内容，包括bagging、stacking和Boosting的区别，bagging的具体实现算法-随机森林以及Boosting的具体实现算法-AdaBoost。
2021-08-10 19:45:29
2.53MB
1
bagging 是bootstrap aggregating的缩写，它首次介绍是在L. Breiman, Bagging predictors, Mach. Learn. 24 (2) (1996) 123--140 ，是第一批用于多分类器集成算法。该集成方法包括在一个训练集合上重复训练得到的多个分类器。
2021-04-05 16:31:39
11.86MB
1
本文通过在几个基准数据集上进行实验，研究了旋转森林集成方法在提高基本预测变量解决回归问题的泛化能力方面的性能，并与Bagging，Random Forest，Adaboost.R2和a单一回归树。 还研究了轮作林对其所含参数选择的敏感性。 在考虑的回归数据集上，可以看到Adaboost.R2通常胜过Rotation Forest，并且两者都优于Random Forest和一棵树。 关于袋装和轮换林，似乎他们之间没有明显的赢家。 此外，修剪树似乎对所有考虑的方法的性能都有一些不良影响。
2021-02-22 18:06:02
423KB
1
在本文中，Boosting用于确定将基本预测变量聚合为Double-Bagging集合的顺序，并且通过基于两个启发式停止规则的早期停止聚集过程来构建子集合。 在所有调查的分类和回归问题中，修剪后的乐团在大多数情况下的表现要好于装袋，Boosting和完全随机排序的Double-Bagging乐团。 因此，当将预测精度，预测速度和存储要求都考虑在内时，所提出的方法可能是解决当前预测问题的好选择。
2021-02-22 18:05:58
1.54MB
1