决策树与集成学习的结合——GBDT和XGBoost
这两个算法在面经中提到较多，故而整理一下。 1.集成学习（将多个弱学习器组合成为强学习器） 串行：Boosting,后一个学习器依赖于前一个，故为串行 比较有名的是AdaBoost，每次迭代训练一个学习器，并提高前一轮学习器分类错误样本的权值，降低分类正确的权值 并行：bagging（样本扰动）、随机森林（样本扰动和属性扰动） Bagging和Boosting的区别： 1）样本选择上：Bagg
相关文章
- 1. 决策树、GBDT、XGBoost和LightGBM之GBDT
- 2. 决策树、GBDT、XGBoost和LightGBM之XGBoost
- 3. 决策树、CART、GBDT、Xgboost学习笔记
- 4. 决策树-RF-GBDT-XGboost-LightGBM
- 5. 决策树-GBDT-RF-Xgboost
- 6. 集成学习——从决策树到XGBoost（1）决策树算法
- 7. 浅谈树模型与集成学习-从决策树到GBDT
- 8. 决策树和GBDT
- 9. 机器学习 GBDT+xgboost 决策树提高
- 10. 集成学习——Boosting（GBDT，Adaboost，XGBoost）
- 更多相关文章...
- • XML 树结构 - XML 教程
- • Rust 集合与字符串 - RUST 教程
- • 适用于PHP初学者的学习线路和建议
- • Tomcat学习笔记（史上最全tomcat学习笔记）
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
最新文章
欢迎关注本站公众号,获取更多信息
相关文章