與神經網路相媲美。非常強大！一般都是對決策樹整合。
隨機森林與stacking整合演算法。
整合演算法：多演算法融合。
決策樹：容易發生過擬合。一顆樹不好，就多顆樹，森林。
怎麼整合？兩種方法主流，其他adaboost,xgboost
獨立並行訓練，最後取平均值。
隨機森林，基礎決策樹-稱為弱學習器，整合之後：強學習器。
隨機：隨機資料、隨機特徵->提公升泛化能力。
回歸任務：均值。
分類任務：投票。
優勢：並行，速度快。
stack堆疊
各種任何演算法整合。
分階段：
並行訓練，**，第二階段依據第一階段加分類。
相當於在bagging基礎上進行總結。
整合演算法學習筆記
bagging 樹的數量 boosting模型 把多個基礎演算法一起拿來用，就是整合演算法 目的就是讓結果更加準確，讓分類器的效果更好。bagging模型的全稱 bootstrap aggregation。含義大概就是並行的去訓練一堆分類器，各個分類器之間不存在強依賴關係然後結果拿來取均值。隨機森林...
機器學習 整合演算法
整合演算法用一些相對較弱的學習模型獨立地就同樣的樣本進行訓練，然後把結果整合起來進行整體 整合演算法的主要難點在於究竟整合哪些獨立的較弱的學習模型以及如何把學習結果整合起來。這是一類非常強大的演算法，同時也非常流行。是構建多個學習器，然後通過一定策略結合把它們來完成學習任務的，常常可以獲得比單一學習...
機器學習python整合演算法
from pandas import read csv from sklearn.model selection import kfold from sklearn.model selection import cross val score from sklearn.ensemble import...