Bagging相互独立,后一个模型不利用前一个模型的信息。 Boosting关联性很强,后一个模型利用前一个模型的结果。 iii、集成效果 Bagging通过集成相互独立的模型,减少方差。 Boosting通过后续模型强化前面的模型,降低偏差。 iv、故障检测 Bagging可以通过单模型故障检查集成模型效果。 Boosting的各模型强依赖性较高,单个模型...
Bagging:训练集是在原始集中有放回选取的,从原始集中选出的各轮训练集之间是独立的。 Boosting:每一轮的训练集不变,只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。 2)样例权重: Bagging:使用均匀取样,每个样例的权重相等 Boosting:根据错误率不断调整样例的权值,错误率越大...