AdaBoost 和 Real Adaboost 总结AdaBoost Real AdaBoostAdaBoostAdaBoost, Adaptive Boosting(自适应增强), 是一种集成学习算法(ensemble learning)，由Yoav Freund 和 Robert Schapi... ...
分类：
其他好文 时间：
2016-09-15 17:57:00
阅读次数：
139
集成学习（ensemble learning）通过构建并结合多个学习期来完成学习任务，同质学习器和异质学习器。 弱学习器：泛化性能略优于随机猜测的学习器 集成学习通过过个学习器进行结合，可以获得比单一学习器显著优越的泛化性能 集成学习中对个体学习器的要求是要有准确性和差异性（好而不同） 集成学习的关 ...
分类：
其他好文 时间：
2016-09-05 20:58:48
阅读次数：
176
在学习一个新的工具的时候，一定要注意查看官方网站：http://jmeter.apache.org/ Jmeter自身的特点： a、开源、轻量级，更适合自动化和持续集成 b、学习难度大 c、 资料少、全英文 注意：Jmeter采集的时间不包括前端的渲染时间 从官网上看，对Jmeter做了这样的介绍 ...
分类：
其他好文 时间：
2016-08-20 19:22:14
阅读次数：
213
系列 《使用sklearn进行集成学习——理论》 《使用sklearn进行集成学习——实践》 目录 1 Random Forest和Gradient Tree Boosting参数详解2 如何调参？ 2.1 调参的目标：偏差和方差的协调 2.2 参数对整体模型性能的影响 2.3 一个朴实的方案：贪心 ...
分类：
其他好文 时间：
2016-07-31 20:29:54
阅读次数：
310
Bagging 即为 Boostrap Aggregation，也是一种集成学习的方式，之前在已经介绍过关与 Ensemble Learning 的内容与评价标准，其中“多样性”体现在应尽可能的使各个基学习器不同，Bagging 的做法是这样的，给定训练集 D ，对 D 进行 Bootstrap 采... ...
分类：
其他好文 时间：
2016-07-15 19:42:13
阅读次数：
248
Ensemble Learning 集成学习是组合多个模型来共同完成一个任务的方法，每个模型可以叫做基学习器，集学习器通过现有的学习算法从训练数据中训练得到，常见的如 Decision Tree 与 Neural Network ，衡量集成学习主要有两个指标： 准确性：即个体学习器要有一定的准确性，... ...
分类：
其他好文 时间：
2016-07-12 17:08:46
阅读次数：
201
作为集成学习的二个方法，其实bagging和boosting的实现比较容易理解，但是理论证明比较费力。下面首先介绍这两种方法。
所谓的集成学习，就是用多重或多个弱分类器结合为一个强分类器，从而达到提升分类方法效果。严格来说，集成学习并不算是一种分类器，而是一种分类器结合的方法。
1.bagging
bagging算是很基础的集成学习的方法，他的提出是为了增强分类器效果，但是在处理不平衡问题上...
分类：
其他好文 时间：
2016-04-26 22:09:00
阅读次数：
161
集成学习通过从大量的特征中挑出最优的特征，并将其转化为对应的弱分类器进行分类使用，从而达到对目标进行分类的目的。核心思想它是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器（弱分类器），然后把这些若分类器集合起来，构成一个更强的最终分类器（强分类器）。其算法本身是通过改变数据分布来实现的，...
分类：
其他好文 时间：
2016-01-07 14:50:08
阅读次数：
137
原文：https://herbertmj.wikispaces.com/stacking%E7%AE%97%E6%B3%95stacked 产生方法是一种截然不同的组合多个模型的方法，它讲的是组合学习器的概念，但是使用的相对于bagging和boosting较少，它不像bagging和boostin...
分类：
编程语言 时间：
2015-12-16 18:53:13
阅读次数：
19683
