11.集成学习和随机森林
Soft Voting投票时有权值,更合理。
Bagging and Pasting:
放回取样:Bagging(也叫bootstrap)
不放回取样:Pasting
使模型产生差异化:
针对特征进行随机采样:Random Subspaces
既针对样本数量,又针对特征进行随机采样: Random Patches
使用决策树进行集成学习的方式也叫随机森林。
Extra-Trees:
决策树在节点划分上,使用随机的特征和随机的阈值,因此随机性更强。抑制过拟合(抑制了方差),但增大了偏差bias。训练速度更快。
Boosting:
集成多个模型,每个模型都在尝试增强(boosting)整体的效果。
Ada Boosting通过每次增加未预测成功的点的权值,生成新的子模型。
Stacking:
更复杂的Stacking模型: