集成學習與隨機森林（四）Boosting與Stacking

Boosting Boosting（原先稱爲hypothesis boosting），指的是能夠將多個弱學習器結合在一起的任何集成方法。對於大部分boosting方法來說，它們常規的做法是：按順序訓練模型，每個模型都會嘗試修正它的前一個模型。Booting 方法有很多種，不過到現在爲止最熱門的是AdaBoost（Adaptive Boosting的簡稱）和Gradient Boosting。我們首

>>阅读原文<<