集成學習整理：Boosting & Bagging

一、集成學習 將若干弱分類器組合生成一個強分類器；弱分類器：指分類準確率只稍好於隨機猜測的分類器（錯誤率<50%）； 分爲兩大流派：bagging和boosting； 核心：如何實現數據多樣性，從而實現弱分類器的多樣性； 特點： （1）將多個分類方法聚集在一起，以提高分類的準確率（這些算法可以是不同的算法，也可以是相同的算法。）； （2）集成學習法由訓練數據構建一組基分類器，然後通過對每個基分類器

>>阅读原文<<