模型集成model ensemble

A prediction model that is composed of a set of models is called a model ensemble.

 Baggging 和Boosting都是模型融合的方法

boosting：

• 步骤1：所有分布下的基础学习器对于每一条数据相同的权重
• 步骤2：如果第一个基础的学习算法预测错误，这条数据在下一次的基础学习算法中有更高的权重
• 步骤3：迭代第2步，直到到达预定的学习器数量或预定的预测精度。

Bagging：

1. 从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）

2. 每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）

3. 对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

模型集成model ensemble

原文：https://www.cnblogs.com/focusonoutput/p/12829326.html