Bagging与随机森林

前今天整理了决策树的原理实现，顺手再把随机森林的原理整理整理。 1.Bagging  Bagging是并行式集成学习方法最著名的代表，其原理是给定包含m个样本的数据集，我们先随机取出一个样本放入采样集中，再把该样本放回初始数据集(有放回)，这样经过m此随机采样操作，我们得到含有m个样本的采样集。照这样，我们可采样出T个含m个训练样本的采样集，然后基于每个采样集训练一个基学习器，再将这些基学习器进行

>>阅读原文<<