问在提振的背景下，“夸张”意味着什么？
EN

Data Science用户

提问于 2019-05-08 20:00:26

回答 1查看 165关注 0票数 3

我正在学习助推，机器学习集成元算法.教授将三个弱分类器组合成一个整体，并说在这个时间点之前，它是很容易理解的。取一个数据集，训练一个简单的模型，找出最小的错误率，如下所示。这种思想很容易实现，例如，梯度下降会使logistic回归到最小的错误率。然后，教授夸大其词地讨论了数据分类器的错误。

我的问题是:这是什么意思？有人可以根据Python或R中的开放数据集提供此操作的示例吗？

发布于 2019-05-10 07:38:25

不确定，但“夸张”可能是谈论“过度适应”的另一种方式。

提升是顺序模型:每次构建新树时，它都会使用前面树的结果，并将重点放在残差上(在这种情况下，先例树表现不佳)。为此，该模型增加了先例错误的权重。

如果你建了太多的树，最后的树就会学到噪音，因为残差会比信息包含更多的噪音。对于您的列车数据集，您将有一个极好的错误率(“夸大错误率”)，但是如果您将模型应用于新的数据集，则错误将更低。

票数 1

页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://datascience.stackexchange.com/questions/51646

复制

相似问题

问在提振的背景下，“夸张”意味着什么？EN