介绍
小编给大家分享一下促进和引导区别有哪些,希望大家阅读完这篇文章后大所收获、下面让我们一起去探讨吧!
<强>引导,提高是机器学习中几种常用的重采样方法。其中引导重采样方法主要用于统计量的估计,提高方法则主要用于多个子分类器的组合。
<强>引导:估计统计量的重采样方法
引导方法是从大小为n的原始训练数据集DD中随机选择n个样本点组成一个新的训练集,这个选择过程独立重复次,然后用这B个数据集对模型统计量进行估计(如均值,方差等)。由于原始数据集的大小就是n,所以这2个新的训练集中不可避免的会存在重复的样本。
统计量的估计值定义为独立的B个训练集上的估计值θbθb的平均:
<>强劲提振:
提高依次训练k个子分类器,最终的分类结果由这些子分类器投票决定。
首先从大小为n的原始训练数据集中随机选取的n1h1个样本训练出第一个分类器,记为C1C1,然后构造第二个分类器C2C2的训练集D2D2,要求:D2D2中一半样本能被C1C1正确分类,而另一半样本被C1C1错分。
接着继续构造第三个分类器C3C3的训练集D3D3,要求:C1C1, C2C2对D3D3中样本的分类结果不同。剩余的子分类器按照类似的思路进行训练。
提高构造新训练集的主要原则是使用最富信息的样本。
看完了这篇文章,相信你对促进和引导区别有哪些有了一定的了解,想了解更多相关知识,欢迎关注行业资讯频道,感谢各位的阅读!
