文档摘要

2.3 集成学习：Bagging、Boosting 与 Stacking 本节摘要：集成学习通过组合多个基学习器获得比任何单个模型更好的性能与鲁棒性，有效性依赖两个条件——基学习器彼此多样（犯的错不一样）且各自优于随机猜测。三条技术路线：并行的 Bagging（自助采样降方差，代表是随机森林）、串行的 Boosting（迭代拟合残差降偏差，代表是 AdaBoost 与 XGBoost 系）、分层的… 会员。《2.3 集成学习：Bagging、Boosting与Stacking》收录于灏天文库文集《AI核心算法原理：从机器学习到神经网络》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/444-ai%E6%A0%B8%E5%BF%83%E7%AE%97%E6%B3%95%E5%8E%9F%E7%90%86%E4%BB%8E%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%88%B0%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流