原创力文档- 1、本文档共30页，可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、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。
- 7、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。
- 8、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
查看更多
ThenameoftheDepartmentBeijingForestStudio
北京理工大学信息系统及安全对抗实验中心部门名称
在线集成学习
赵惟肖硕士研究生
2019年06月30日
内容提要
•背景简介
•基本概念
•算法原理
•优劣分析
•应用总结
•参考文献
2
在线集成学习
背景简介
背景简介
•预期收获
–1.了解集成学习和在线学习基本思想
–2.回顾离线bagging（装袋）和离线boosting（提升）
的基本原理
–3.理解在线bagging和在线boosting的算法原理
4
背景简介
•集成学习
–对训练集数据，训练若干个弱学习器，通过一定的结合策略，
最终形成一个强学习器，以“博采众长”。
–Bagging系列算法：随机森林
–Boosting系列算法：AdaBoost、GBDT
弱学习器
弱学习器
强学习器
…结合策略
弱学习器
5
背景简介
•在线学习
–批量学习（Batch）：在训练模型时，一次性的把所有样
本全部输入，有存储要求，“填鸭式”。
–在线学习（Online）：每输入一个样本，计算一次误差并
调整参数，适用于实时产生数据的web网站，“水流式”。
–在工业界，参与训练的数据量很容易过TB，对资源的压力
很大。Batch-Online能带来明显的经济效益。
6
背景简介
•在线学习
基于决策树：ID5R、ITI
基于SVM：I-SVM
基于优化算法：OGD、FOBOS、FTRL
在线学习基于神经网络：ENN
基于无监督：SOINN
基于集成：Online-Bagging、Online-Boosting
7
在线集成学习
基本概念
基本概念
•基本概念——随机森林（Bagging）
–用随机的方式建立一个“森林”，“森林”包括很多决策树，
对决策树的结果进行投票。（并型结构）
抽样
子训练集
抽样
子训练集
训
练
文档评论（0）