溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
小編給大家分享一下boosting和bootstrap區別有哪些，希望大家閱讀完這篇文章后大所收獲，下面讓我們一起去探討吧！
bootstrap、boosting是機器學習中幾種常用的重采樣方法。其中bootstrap重采樣方法主要用于統計量的估計，boosting方法則主要用于多個子分類器的組合。
bootstrap:估計統計量的重采樣方法
bootstrap方法是從大小為n的原始訓練數據集DD中隨機選擇n個樣本點組成一個新的訓練集，這個選擇過程獨立重復B次，然后用這B個數據集對模型統計量進行估計（如均值、方差等）。由于原始數據集的大小就是n，所以這B個新的訓練集中不可避免的會存在重復的樣本。
統計量的估計值定義為獨立的B個訓練集上的估計值θbθb的平均：
boosting:
boosting依次訓練k個子分類器，最終的分類結果由這些子分類器投票決定。
首先從大小為n的原始訓練數據集中隨機選取n1n1個樣本訓練出第一個分類器，記為C1C1，然后構造第二個分類器C2C2的訓練集D2D2，要求：D2D2中一半樣本能被C1C1正確分類，而另一半樣本被C1C1錯分。
接著繼續構造第三個分類器C3C3的訓練集D3D3，要求：C1C1、C2C2對D3D3中樣本的分類結果不同。剩余的子分類器按照類似的思路進行訓練。
boosting構造新訓練集的主要原則是使用最富信息的樣本。
看完了這篇文章，相信你對boosting和bootstrap區別有哪些有了一定的了解，想了解更多相關知識，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
