python学习总结7.22

**

集成算法与随机森林

**

01集成算法-随机森林

Bagging模型

• 全称：bootstrap aggregation
• 最典型的代表就是随机森林
• 随机：数据采样随机，特征选择随机
• 森林：很多个决策树并行放在一起

02特征重要性衡量

随机森林优势

• 能够处理很高维度（feature很多）的数据，并且不用做特征选择
• 在训练完后，它能够给出哪些feature比较重要
• 容易做成并行化方法，速度比较快
• 可以进行可视化展示，便于分析

03提升模型

Ensemble learning

• 目的：让机器学习效果更好
• Bagging：训练多个分类取平均
• Boosting：从弱学习器开始加强，通过加权来进行训练
• Stacking：聚合多个分类或回归模型（可以分阶段来做）
  Boosting模型
• 典型模型：AdaBoost，Xgboost
• Adaboost会根据前一次的分类效果调整数据权重
• 解释：如果某一个数据在这次分错了，那么在下一次我就会给它更大的权重
• 最终的结果：每个分类器根据自身的准确性来确定各自的权重，再合体

04堆叠模型

Stacking模型

• 堆叠：
• 可以堆叠各种各样的分类器（KNN、SVM、RF等等）
• 分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！