boosting模型
stacking模型
小結該方法不太適合，使用這種方法很難去隨機讓模型的泛化能力變強。（具體介紹之後補充）
該模型典型代表有adaboost，xgboost後者在以後哦的資料分析中具體說明。
adaboost會根據前一次的分類效果調整資料的權重
最終結果：每個分類器根據自身的準確性來確定各種的權重，再結合
例項： 01
2340.2
0.20.2
0.20.2
開始我們給這些資料的權重是相同的，當進行**後：01
2340.2
0.20.2
0.20.2√×
√√√發現 1 資料出錯了，此時我們再調成權重：01
2340.1
0.60.1
0.10.1
大致上是這樣乙個思想。然後每個分類器都會有優劣，好的分類器權重越大，差的越小。
model12
34rf1
010lr
1010
svm110
0xgboost00
10第二階段：結果訓練
( 10
1010
1011
0000
10)→
lr(1
010)
(2)\left( \begin 1 & 0 & 1& 0 \\ 1 & 0 & 1& 0 \\ 1 & 1 & 0& 0 \\ 0 & 0 & 1& 0 \end \right ) \tag \xrightarrow \left( \begin 1 & 0 & 1& 0 \end \right )
⎝⎜⎜⎛1
110
0010
110
100
00⎠
⎟⎟⎞
lr(
10
10
)(2)
如果資料分析時沒有太好的方法做回歸，推薦先使用隨機森林看看效果。此外，整合演算法看著比較全面，適合數學建模使用。具體的實現方式，在titanic分析中展示。
整合演算法 隨機森林
這一節，我們來聊聊隨機森林演算法，雖然我對這些演算法的理解也不是很深，但還是決定寫一寫。首先，整合演算法是指多種演算法的集合，因為單一的演算法在處理某種問題時，可能會有所限制，整合演算法會綜合多種演算法的結果，得到乙個均值，效果往往會比單一演算法好一些。前面我們討論過決策樹，那隨機森林就不難理解，它...
day3 整合演算法與隨機森林
目的是讓最終的結果越好 bagging 訓練多個分類器然後取平均 並行的訓練平行的分類器，比如隨機森林 f x 1m m 1 mfm x f x frac sum f m x f x m 1 m 1m fm x booting 從弱學習器開始強化，通過加權來進行訓練 f m x f m 1 argm...
隨機迷宮生成演算法整理分析
蒐集整理了一些遊戲迷宮生成的演算法與實現 前段時間學校遊戲開發課大作業，做了乙個roguelike的恐怖遊戲。蒐集整理了一些迷宮生成的演算法。當初也受了indienova上一些文章的啟發。現在在此把學到的一些東西理一理分享出來。第一次寫這種東西，感覺有點囉嗦，還請大家不要介意，也可以直接看專案位址 ...