模型选择 机器学习是在某种假设上对数据的分析，基于该假设即可构造多个模型获得预测值，通过比较多个模型间真实值与预测值之间的误差即可获得一个较优的模型。 由于机器学习不是预言而是预测。因此机器学习可能会出现欠拟合和过拟合的现象，即如果模型拟合效果不好，则是欠拟合，对于欠拟合问题通常增大训练数据量即可；但…
第六节：模型选择
第一节：集成学习基础
集成学习基础 集成学习(ensemnle learning)通过构建并结合多个学习器来完成学习任务，集成学习可以用于分类问题集成、回归问题集成、特征选取集成、异常点检测集成等等。 集成学习基础学习目标 集成学习构成 Boosting和Bagging 平均法、投票法和学习法 集成学习基础引入 # 集成学习基础引入图例 impo…
第一篇：AdaBoost算法引入
AdaBoost算法 集成学习中弱学习器之间有强依赖关系的，称之为Boosting系列算法，而AdaBoost则是Boosting系列算法中最著名的算法之一。 AdaBoost算法强大之处在于既可以解决分类问题，又可以解决回归问题。 AdaBoost算法学习目标 AdaBoost算法目标函数优化 强分…