机器学习教程讲解集成学习与Boosting、Bagging算法
第八章介绍集成学习。首先说明个体与集成的概念，分析集成取得更好性能所依赖的条件，介绍精度与多样性的关系；随后讲解以AdaBoost为代表的Boosting算法，说明如何通过重赋权聚焦困难样本；接着介绍Bagging与随机森林，说明自助采样与属性扰动如何引入多样性；进而讨论平均法、投票法与学习法等结合策略；最后介绍多样性度量与误差分解，以及多样性增强的常用手段。集成学习被广泛视为竞赛与工业界中最为有效的手段之一，其性能通常显著优于单一学习器。 本视频含AI生成内容。