Boosting和Bagging: 怎样开拓一个鲁棒的呆板进修算法

然而，他们不会办理全部的题目，他们本身也有本身的题目。有许多差异的缘故起因。bagging 在模子过拟适时对减小方差有很大的浸染。然而，在这两种要领中，Boosting 更有也许是更好的选择。Boosting 也更有也许导致performance题目。这对付镌汰不匹配模子中的毛病也很有辅佐。

这就是履历和专家的用武之地!可以很轻易地跳到第一个有用的模子上。然而，重要的是说明算法及其选择的全部特征。譬喻，假如决定树配置了特定的叶节点，那么题目来了：为什么要这么配置呢?假如不能用其他数据点可视化的要领来支持这个概念，那么也许就不该该这样去实现。

这不只仅是在各类数据集上实行AdaBoost或随机丛林。按照算法获得的功效，以及有什么支持，驱动最终的算法。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!