本筆記來源于B站Up主: 有Li 的影像組學(xué)系列教學(xué)視頻
本節(jié)(20)主要介紹: 集成學(xué)習(xí)的通俗講解
集成學(xué)習(xí)(ensemble learning)
將多個分類器結(jié)合在一起使用
Bagging: 同質(zhì)學(xué)習(xí)器，彼此獨(dú)立肝集，投票/平均
Boosting: 同質(zhì)學(xué)習(xí)器贴谎，層層遞進(jìn)昆咽，后面的會著重學(xué)習(xí)前面犯過的錯誤
Stacking: 異質(zhì)學(xué)習(xí)器脯丝，學(xué)習(xí)學(xué)習(xí)器
李博士以考試為比喻，通俗的講解了三者之間的區(qū)別
拓展學(xué)習(xí)：
Bagging和Boosting是兩種最常見的集成學(xué)習(xí)方法
Bagging 的核心思路是 — — 民主胀溺。
大部分情況下厘唾，經(jīng)過 bagging 得到的結(jié)果方差（variance）更小。
Boosting 的核心思路是 — — 挑選精英鹃操。
大部分情況下韭寸，經(jīng)過 boosting 得到的結(jié)果偏差（bias）更小。
可以參考以下這個帖子：
從基礎(chǔ)到實現(xiàn)：集成學(xué)習(xí)綜合教程(附Python代碼)
其目錄：
基礎(chǔ)集成技術(shù)
最大投票（Max Voting）法
平均（Averaging）法
加權(quán)平均（Weighted Average）法
高級集成技術(shù)
堆疊（Stacking）
混合（Blending）
Bagging
提升（Boosting）
基于Bagging和Boosting的算法
Bagging meta-estimator
隨機(jī)森林
AdaBoost
GBM
XGB
Light GBM
CatBoost
