|
- 为什么没有人把 boosting 的思路应用在深度学习上？ - 知乎
（5）Boosting算法对于样本的异常值十分敏感，因为Boosting算法中每个分类器的输入都依赖于前一个分类器的分类结果，会导致误差呈指数级累积。 而用于深度学习模型训练的样本数量很大并且容许一定程度的错误标注，会严重影响模型的性能。
- 请问机器学习中bagging和boosting两种算法的区别是什么？ - 知乎
Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。 3 3 预测函数 Bagging：所有预测函数的权重相等。 Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。 3 4 并行计算 Bagging：各个预测函数可以并行生成。
- 为什么说bagging是减少variance，而boosting是减少bias? - 知乎
是前n-1步得到的子模型的和。因此boosting是在sequential地最小化损失函数，其bias自然逐步下降。但由于是采取这种sequential、adaptive的策略，各子模型之间是强相关的，于是子模型之和并不能显著降低variance。所以说boosting主要还是靠降低bias来提升预测精度。
- 集成学习中bagging,boosting,blending,stacking这几个 . . . - 知乎
这四个概念都是集成学习中非常重要的概念,只不过侧重的方面有所不同 bagging boosting强调抽取数据的策略 两者都采取随机有放回取样(random sampling with replacement)的方式抽取数据,不同的是在bagging中,所有数据被抽到的概率相同;而在boosting中,每一轮被错误标记的数据会被增加权重,从而增加在下一轮学习
- 基于树的adaboost和Gradient Tree Boosting区别？ - 知乎
谢邀。 直接参考Machine Learning：A Probabilistic Perspective（MLAPP）的16 4节——Boosting。 该节概括了几种常用的boosting方法，包括L2Boosting、Gradient Boosting、Adaboost、LogitBoost（黑体部分就是题目中提到的两种方法，至于weaker learner是不是用树，不是很重要），下表摘自MLAPP 14 6 1节
- 集成算法中bagging、boosting和stacking有什么区别 . . . - 知乎
boosting是提升方法，把弱学习器集成起来提升为一个强学习器，一般采用加性模型，可以简单理解为对数据学习一次后，对残差继续学习，不断学习下去，拟和得就越来越好
- 哪里有标准的机器学习术语(翻译)对照表？ - 知乎
76 Boosting Boosting 77 Bootstrap Aggregating Bagging 78 Bootstrap Sampling 自助采样法 79 Bootstrapping 自助法 自举法 80 Break-Event Point 平衡点 BEP 81 Bucketing 分桶 82 Calculus of Variations 变分法 83 Cascade-Correlation 级联相关 84 Catastrophic Forgetting 灾难性遗忘 85 Categorical Distribution 类别分布
- 单目深度估计现在有哪些效果比较好的模型呢？ - 知乎
global adaptive bins vs local adaptive bins 不同RGB输入对应的深度分布会有很大的不同，目前的神经网络架构主要是在低分辨率的bottleneck获取全局信息，而不能很好地在高分辨率特征获取全局特征，深度分布的这种变化使得端到端的深度回归变得困难。
|
|
|