【一】 bagging（演算法的乙個流派，自助聚合）
【有監督】現在常用的，也最需要掌握的，分類演算法
leverage unstable base learners that are weak because of overfitting，每個弱分類器都是overfitting (過擬合)的【二】 random forest（隨機森林）
【三】 rf **使用（sklearn）
from sklearn.ensemble import randomforestclassifier
''':param (引數)
n_estimators：指定隨即森林中樹的個數
'''rf = randomforestclassifier(n_estimators=20)
''':object (方法)
rf.fit(x,y): lr 是有監督的機器學習演算法
rf.predict(x): 返回資料 x **的類別
'''
整合學習 bagging和boosting
bagging boostrap aggregating 對樣本再取樣 boostrap 對每一重取樣的子樣本訓練乙個模型，最後取平均，所以是降低模型的variance。bagging比如random forest這種先天並行的演算法都有這個效果。boosting則是迭代演算法，每一次迭代都根據上一...
整合學習 Boosting和Bagging異同
整合學習 ensemble learning 有時也被籠統地稱作提公升 boosting 方法，廣泛用於分類和回歸任務。它最初的思想很簡單 使用一些 不同的 方法改變原始訓練樣本的分布，從而構建多個不同的分類器，並將這些分類器線性組合得到乙個更強大的分類器，來做最後的決策。也就是常說的 三個臭皮匠頂...
整合學習2 bagging
參考 清華大學 資料探勘課程 1.bagging bootstrap aggregation bagging是有放回的取出樣本中的部分樣本，進行多次這種操作得到多組樣本，用這些樣本訓練多個分類器，然後在 的時候，用這些分類器進行 用這些 值進行投票。比如7個 為1，3個 為0，則總的 值就為1。2....