推广和打包可以应用于异构算法吗？
提问于 2021-04-10 02:24:18
利用射频、支持向量机和KNN等异构算法可以实现叠加。然而，这种异质性能在套袋或提升中实现吗？例如，在增强，而不是在所有的迭代中使用RF，我们可以使用不同的算法吗？
回答 1
Data Science用户
回答已采纳
发布于 2021-04-10 08:35:41
简短的回答是肯定的。助推和打包元算法都不会假设特定的弱学习者，因此任何学习者都可以这样做，无论是使用相同的算法还是使用不同的算法。
在定义元算法的方法上，它们使用弱学习者作为黑匣子模型，不考虑它们的实现或算法原理，也不考虑它们的相似性。
用于促进：
在机器学习中，boosting是一种基本减少偏倚的集成元算法，也是监督学习中的方差1算法，也是一组将弱学习者转化为强学习的机器学习算法。2 Boosting是基于卡恩斯和瓦利安特提出的问题(1988,1989):3.：“一组弱学习者能创造出单个强学习者吗？”弱学习者被定义为一个分类器，它只与真正的分类稍有关联(它能比随机猜测更好地标记示例)。相反，一个强的学习者是一个分类器，它与真正的分类有很好的相关性.
用于套袋：
虽然它通常被应用于决策树方法，但它可以与任何类型的方法一起使用。套袋是模型平均法的特例。
要提高学习成绩所需的条件是弱学习者应该是不稳定的(因此，受干扰的学习者版本会影响结果)，除此之外，正如前面提到的，学习者是黑匣子。
供进一步参考：
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/92847
复制相关文章
腾讯云开发者
