《机器学习》学习笔记（二十二）—Ensemble（模型集成）
Ensemble：Bagging 1、偏置与方差的关系 除了可以很完美进行工作的机器学习模型，剩下的模型大致可以分为两种情况，即欠拟合（Underfitting）和过拟合（Overfitting）。欠拟合的特点在于它具有比较小的方差，但是却有着比较大的偏置（即与正确答案的偏离方向）；而过拟合虽然有着较小的偏置，但是却有着较大的方差，将这两种情况画在一起如上图所示，随着模型复杂程度的增大，模型的效果
相关文章
- 1. 机器学习笔记(十二)——集成学习方法之AdaBoost
- 2. 机器学习--集成学习（Ensemble Learning）
- 3. 机器学习之集成学习Ensemble
- 4. 机器学习 | 算法笔记- 集成学习（Ensemble Learning）
- 5. 机器学习笔记3——集成学习(ensemble)
- 6. 机器学习-学习笔记（二）第二章 模型评估
- 7. 机器学习与深度学习系列连载： 第一部分 机器学习（十二）集成学习（Ensemble）
- 8. 机器学习算法笔记 集成学习模型融合
- 9. 《机器学习》学习笔记二 线性判别模型
- 10. 《机器学习》学习笔记（二）——模型评估与选择
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • Kotlin学习（二）基本类型
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。
欢迎关注本站公众号,获取更多信息
相关文章