李宏毅机器学习-课件_14-Ensemble (v6).pdfVIP

下载本文档

10
0
约3.54万字
约 45页
2023-10-24 发布于北京
举报
版权申诉

李宏毅机器学习-课件_14-Ensemble (v6).pdf

此“教育”领域文档为创作者个人分享资料，不作为权威性指导和指引，仅供参考

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

ensemble是一种机器学习框架，通过收集一组具有相同特征但不同分类器的分类器来构建一个整体。这种框架可以有效减少特征之间的差异性，从而降低过拟合和欠拟合的风险。ensemble的优势在于它提供了多种可选择的分类器，且在不同情况下的性能表现也相当均衡。ensemble的缺点是可能比传统的分层学习策略更加复杂，需要更多的训练数据以及更高的计算资源。总的来说，ensemble可以有效地提高模型的泛化能力，但在选择和使用时也需要权衡复杂性和计算成本。

Ensemble Introduction • We are almost at the end of the semester/final competition. • /c/ml2016-cyber-security- attack-defender/leaderboard • /c/outbrain-click- prediction/leaderboard • /c/transfer-learning-on-stack- exchange-tags/leaderboard • You already developed some algorithms and codes. Lazy to modify them. • Ensemble: improving your machine with little modification Framework of Ensemble • Get a set of classifiers • , , , …… 1 2 3 坦補 DD They should be diverse. • Aggregate the classifiers (properly) • 在打王時每個人都有該站的位置 Ensemble: Bagging Review: Bias v.s. Variance Error from bias Error from variance Error observed Underfitting Overfitting Large Bias Small Bias Small Variance Large Variance Universe 1 Universe 2 Universe 3 A complex model will ∗ If we average all the , have large variance. is it close to መ We can average ∗ መ = complex models to reduce variance. Sampling N’ Bagging N training examples with examples replacement (usually N=N’) Set 1 Set 2 Set 3 Set 4 Function Function Function Function 1