決策樹學習資料-資料下載頁
2025-01-14 19:42本頁面
【正文】 或到達限定值 do 使用當前的所有特征從訓練集構造決策樹 從邊緣末端 (正例 )兩個特征的聯合來創(chuàng)建新特征 將這些新特征加入現有特征集中，同時擴展每個樣本 的描述以包含所有新特征2023年 6月 2日邊緣示例2023年 6月 2日多重模型? 學習概念的多重候選定義? 最終決策是基于多個學習模型的 (加權 )投票2023年 6月 2日裝袋 (Bagging)? 用訓練集的不同樣本來訓練同一個學習者，來創(chuàng)建多重模型 (Breiman,1996)? 給定訓練集大小為 n，通過從原始數據取樣 (用替換方法 )，創(chuàng)建 m個不同的訓練集 (大小為 n)? 用簡單的投票方法來合并這 m個模型? 可用于任何學習方法? 減少了不穩(wěn)定學習算法的一般化錯誤，即當訓練數據輕微改動時會導致決策結果劇烈變動的那些學習方法2023年 6月 2日引導 (Boosting)? 另一個生成多重模型的方法 —— 重復更改同一個學習算法的數據? 對弱學習算法 (假設的精度只要超過 1/2即可 )能保證性能的改進? 對樣本加權，每次疊代產生一個新的假設，對那些導致最終假設精度變差的樣本重新加權? 基本算法給所有樣本賦予一個初始權重For i from 1 to T do 從加權的樣本中學習一個假設 hi 減小那些與 hi一致的樣本的權重? 在測試時，每個假設會得到一個加權的投票 (與訓練數據上的精度成比例 )2023年 6月 2日引導算法For D中的每個樣本，令其權重 wi=1/|D|For t from 1 to T do 從加權樣本中學習一個假設 ht 計算 ht的誤差 ?t， 作為被錯誤分類樣本的總權重 If ?t then 終止， else 繼續(xù) 令 ?t= ?t/(1 ?t) 將 ht正確分類出的樣本的權重乘以 ?t 權重歸一化以保證總和為 1在測試時，每個假設 ht獲得投票的權重為 log(1/ ?t)， 票數最多的假設作為最終決策2023年 6月 2日多重模型的實驗結果? 多決策樹模型應用范圍更廣也更準確? 引導算法性能比裝袋算法好? 引導算法偶爾也會降低性能2023年 6月 2日
環(huán)評公示相關推薦
鄂ICP備17016276號-1