Bagging与随机森林

一、Bagging算法 Bagging是并行集成学习方法最著名的代表，可以用来提高学习算法准确度的方法，这种方法通过构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。Bagging要求“不稳定”（不稳定是指数据集的小的变动能够使得分类结果的显著的变动）的分类方法。比如：决策树，神经网络算法。 Bagging的基本流程为： 1、首先采取随机采样(bootsrap)，也就是从我们的训练集

>>阅读原文<<