機器學習技法總結（四）（aggregation，vote，bootstrap...）

研究的動機是：我們採用了不同的模型得到T個不同的g，那麼我們是不是可以通過這些不同的g的融合得到更加出色的G呢？因此，便有了以上四種不同的方法；1）（select）直接選擇最好的一個作爲融合的結果；2）（uniform）所有的g公平vote；3）（non-uniform）相當於你比較相信某個結果，就賦予它較高的vote權重，這種類似於二次迴歸問題，就是說，先對不同模型進行優化得到不同的g，然後再次

>>阅读原文<<