Machine learning 堆叠分级和投票算法之间有什么区别?
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。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
v
,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,
结果是a_1,…,a_k
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
,您得到(x_i,y_i)
,然后创建训练样本(a_i_1,…,a_i_k)
,并在其上训练元分类器((a_i_1,…,a_i_k),y_i)
- 分级-您为每个
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k