La Red de Conocimientos Pedagógicos - Currículum vitae - La diferencia entre embolsar e impulsar

La diferencia entre embolsar e impulsar

La diferencia entre bagging y boosting es la siguiente:

Diferencia: diferentes significados y diferentes usos. Embolsar, como participio presente de bolsa, es un verbo, y su significado es poner... en una bolsa, capturar y anotar, impulsar, como participio presente de impulsar, es un verbo, y su significado es aumentar; , prosperar y robar.

Embolsado: BiPai selecciona el conjunto de entrenamiento con reemplazo del conjunto original, y cada conjunto de entrenamiento seleccionado del conjunto original es independiente.

Impulso: el conjunto de entrenamiento en cada ronda permanece sin cambios, pero el peso de cada muestra en el conjunto de entrenamiento en el clasificador cambia. Los pesos se ajustan en función de los resultados de clasificación de la ronda anterior.

Peso de la muestra:

Embolsado: Utilice cuatro segmentos de muestreo uniforme, y el peso de cada muestra sea igual.

Impulso: ajuste continuamente el peso de la muestra de acuerdo con la tasa de error. Cuanto mayor sea la tasa de error, mayor será el peso.

Funciones de predicción:

Embolsado: Todas las funciones de predicción tienen el mismo peso.

Impulso: cada clasificador débil tiene un peso correspondiente, y los clasificadores con pequeños errores de clasificación tendrán pesos mayores.

Embolsado:

1. Muestreo: extraiga muestras del conjunto de entrenamiento para construir un nuevo conjunto de entrenamiento. Ejemplo: "Utilizó embolsado para muestrear el conjunto de datos, creando 75 modelos diferentes." (Utilizó embolsado para muestrear el conjunto de datos, creando 75 modelos diferentes).

2. mismo tiempo para completar la formación. Ejemplo: "El algoritmo de ensacado se ejecutó simultáneamente, creando 10 modelos en 10 minutos". Los resultados de salida se fusionan para un mejor rendimiento. Ejemplo: "Utilizó embolsado para agregar los modelos, mejorando la precisión de la predicción". (Utilizó embolsado para agregar los modelos, mejorando la precisión de la predicción).