Machine learning 堆叠分级和投票算法之间有什么区别？_Machine Learning_Classification_Supervised Learning

Machine learning 堆叠分级和投票算法之间有什么区别？

machine-learning

Machine learning 堆叠分级和投票算法之间有什么区别？,machine-learning,classification,supervised-learning,Machine Learning,Classification,Supervised Learning,我正在为一个可能有多个分类器的问题编写一个机器学习解决方案，这取决于数据。所以我收集了几个分类器，每个分类器在某些条件下的性能都比其他分类器好。我正在研究元分类策略，我发现有几种算法。有人能指出它们之间的根本区别吗？投票算法是一种简单的策略，你可以通过选择大多数情况下出现的类来聚合分类器决策的结果。堆叠/分级策略是这一概念的概括。不要简单地说“好的，我有一个schemev，我将用它在我的k分类器中选择最佳答案”，而是创建另一个抽象层，在那里你实际上学会预测拥有k投票权的正确标签简而言之，基

我正在为一个可能有多个分类器的问题编写一个机器学习解决方案，这取决于数据。所以我收集了几个分类器，每个分类器在某些条件下的性能都比其他分类器好。

我正在研究元分类策略，我发现有几种算法。有人能指出它们之间的根本区别吗？

投票算法是一种简单的策略，你可以通过选择大多数情况下出现的类来聚合分类器决策的结果。堆叠/分级策略是这一概念的概括。不要简单地说“好的，我有一个scheme

，我将用它在我的

分类器中选择最佳答案”，而是创建另一个抽象层，在那里你实际上学会预测拥有

投票权的正确标签

简而言之，基本投票/叠加/评分方法可概括为：

投票-你有一些固定的方法，给出答案，
```
a_1，…，a_k
```
结果是
```
a=v（a_1，…，a_k）
```
堆叠-您使用答案作为问题的新表示形式，因此对于每个
```
（x_i，y_i）
```
，您得到
```
（a_i_1，…，a_i_k）
```
，然后创建训练样本
```
（（a_i_1，…，a_i_k），y_i）
```
，并在其上训练元分类器
分级-您为每个
```
k
```
分类器训练一个单独的元分类器，以预测当前点的“分类等级”，并使用它做出决策