若訓練集的微小變動會引起**或決策邊界的大變化，則稱乙個分類器是不穩定的。高方差的分類器本質上就是不穩定的，因為它們通常會過擬合資料。另一方面， 高偏置方法通常弱擬合資料，因此通常有著較低的方差。無論何種情況下，學習的目標都是要通過降低方差或偏置來減少分類錯誤(最好是能夠同時降低方差和偏置。組合方法使用在不同資料子集上訓練的多個基底分類器的輸出來建立乙個 合成分類器。根據訓練資料選擇的方法和基底分類器穩定性的不同，合成分類器可以降低方差和偏置，從而得到更好的總體效能。
又稱為自助聚合，是一種利用輸入訓練集d的多個自助樣本（帶放回）來建立略有不同的訓練集 di
的合成分類方法。
主要是利用多數投票的方式來**
可以減小方差，特備是基底分類器不穩定時，這是多數投票的平均作用所致。但是它對偏置沒什麼影響。
boosting是另一種合成技巧，也是在不同的樣本上訓練基底分類器。不過其核心思想是精心選擇樣本以提公升較難分類的例項的效能。從乙個初始的訓練樣本d1開始，先訓練季度分類器m1，得到它的訓練誤差率。然後，以更高的概率選擇被誤分類的例項來構建下乙個樣本d2，並訓練m2，得到其錯誤率。接著以更高的概率選擇難以被m1和m2分類的例項，構建d3。重複這一過程k次。因此，不像裝袋法使用從輸入資料集得到的獨立的隨機樣本，boosting使用帶權的或偏置的樣本來構造不同的訓練集合，每乙個當前樣本都依賴於之前的樣本。最後，合成的分類器通過對k個基底分類器m1, m,...，mk的輸出的帶權投票來得到。
boosting在基底分類器較弱的時候有特別好的提公升效果。弱基底分類器的效能僅稍高於隨機分類器。基本的思想是，儘管m1並不對所有的測試例項有好的效果，但m2可能幫助應對分類m1不起作用的情況; m3可以更好地分類m1和m2失敗的情況，以此類推。因此，boosting 可以降低偏置。每乙個弱分類器都有較高的偏置( 僅稍好於隨機猜測)，但最後合成的分類器的偏置要小得多，因為不同的弱分類器在輸入空間的不同區域學習分類例項。boosting的變種包括基於不同的例項權值計算方式、不同的基底分類器整合方式，等等。現在討論的自適應boosting ( adaboost)，是非常流行的一一種方法。
企業應用整合分類
從應用範圍上，應用整合經歷了部門內部應用整合，部門之間的應用整合，企業範圍內的應用整合和企業之間的應用整合等幾個階 段。電子商務的運營模式的發展，使企業與客戶，商，合作夥伴，分銷商在更廣泛的舞台上展開協作，這也對應用整合技術提出的更高的要求。應用整合在體系結構上也在不斷改進。傳統應用整合採用點對點的...
編譯器合成copy constructors
編譯器合成copy constructors 當class 不展現bitwise copy semantics時編譯器會產生出來乙個copy constructors且缺乏乙個已宣告的copy constructor時 和default constructors一樣copy constructors...
PHP實現無限極分類生成分類樹的方法
現在的分類資料庫設計基本都是 每乙個分類有乙個id主鍵字段，乙個pid指向父類的id，這樣便可實現無限級分類，取出的資料就是如下的格式 arr array array id 1 pid 0 cat 欄目一 array id 2 pid 0 cat 欄目二 array id 3 pid 1 cat 欄...