概念
整合學習（多分類器系統、基於委員會的學習）通過構建並結合多個學習器完成學習任務。
圖1：先產生一組個體學習器，再利用某種策略將他們結合起來。
分類1（根據個體學習器是否為同種型別）
分類2（根據序列/並行）
好而不同（個體學習器有一定的準確性並且學習器間具有差異）
整合學習往往可以得到比單一學習器顯著優越的泛化效能，對「弱學習器」（泛化能力略優於隨機，例如二分類問題上精度略高於50%）尤為明顯，但實際上往往會使用比較強的學習器（如考慮使用較少學習器）
每個個體學習器是underfitting,減少偏度
adaboost （即adaptive boosting）
gradient boosting（如lightgbm ，xgboost ）
**：xgboost: a scalable tree boosting system
adaptive boosting和gradient boosting區別
訓練模型時：
整合模型時：隨機森林（決策樹+隨機選擇特徵+bagging）
（四）整合學習
2.2.1 分類 二分類為例，輸出 1 1 2.2.2 回歸 r2回歸為例 2.2.3 正則化booster 弱學習器，常用gbtree eta learning rate min child weight 預設1 子節點的權重閾值。它刻畫的是 對於乙個葉子節點，當對它採取劃分之後，它的所有子節點的...
ABP架構學習系列四 整合Dapper
修改zmblog.infrastructure的zmblogdatamodule 如下 namespace zmblog.entityframework public override void initialize 和ef一樣，需要配置對映關係 public public ps 如果同時使用ef，...
redis學習筆記四 集合
1 新增 刪除元素 sadd key member member.srem key member member.新增的時候，如果元素不存在自動建立，如果存在會自動忽略，不進行新增 2 獲取集合中的所有元素 smembers key 3 判斷元素是否在集合中 sismember key member ...