Machine learning 考虑三个相互独立的分类器A，B，C，具有相等的错误概率：

问题是：

考虑错误概率相等的三个相互独立的分类器A、B、C：

Pr（errA）=Pr（errB）=Pr（errC）=t

让D是另一个分类器，它获得A、B和C的多数票

•什么是Pr（errD）

•绘制Pr（errD）作为t的函数

•对于t的什么值，D的性能优于其他三个分类器中的任何一个

---

---

我的问题是：

（1） 我无法计算D的错误概率。我以为它是1减去α（1-α），但我不确定

（2） 如何绘制t（Pr（errD））？我假设在没有找到Pr（errD）的情况下，我可以绘制它

---

（3） 在这里，我也无法理解。相比之下，我应该如何确定D的性能？

如果我理解得很好，你的问题可以用简单的术语来表述，而无需任何集成学习

假设

D

是3个分类器投票的结果，

D

是错误的，当且仅当至多有一个估计器是正确的

A、B、C是独立的，因此：


不正确的概率为t^3

其中一个是对的，而另外两个是错的概率是3（1-t）t^2（因子3是因为有三种方法可以实现这一点）


所以p（errD）=t^3+3（1-t）t^2=-2t^3+3t^2

您应该能够在间隔[0:1]中将其绘制为t的函数，而不会有太多困难

至于第三个问题，只需解p（errA）-p（errD）>0（这意味着D的错误概率小于A，因此其性能更好）。如果你解决了这个问题，你会发现这个条件是t谢谢很多@MaximeKan！我被这个问题困住了。很高兴它有帮助！：）