集成学习--Bagging、Boosting、Stacking、Blending
集成学习--Bagging、Boosting、Stacking、Blending
Bagging
Stacking
Boosting
-
例子，C1先训练，C2训练C1分错的（后面分类器训练前面分类器分错的），C3训练C1，C2不同的。
-
第一步：初始化训练数据的权重，w1=w2=...=wn=1/N，N为样本的数量。
-
第二步：训练第一个基模型，计算模型的错误率，计算模型的系数。
-
第三步：更新数据集的权重，误分类数据的权重调大，分类正确的数据权值调小。在训练一个基类模型。依次进行
-
第四步：每个模型对测试数据，进行预测。
-
第五部：对所有基模型的预测结果进行加权求和。准确率高的模型调大权值，准确率低的模型减小权值。
集成权重 \(\alpha\) 的推导
误差上界：（可以证明模型的误差上界趋近于0！！！amazing！！）
