机器学习之集成学习理论与代码实践

机器学习之集成学习理论与代码实践
共12节 1110人在学 课程详情
  • 开课简介
  • 机器学习知识体系
  • 机器学习流程
  • 集成学习简介
  • Voting能够提高准确率的原因
  • hard voting和soft voting
  • Bagging
  • Boosting之Adaboost
  • Adaboost举例说明
  • 使用sklearn实现Adaboost
  • 梯度提升树
  • stacking原理及实现

    订阅失败

    机器学习之集成学习理论与代码实践
    机器学习之集成学习理论与代码实践 ...

    订阅列表已满,请先移出部分订阅内容。

    当前章节需购买后观看
    开通超级会员免费看!专家精选系列课程,满足你从入门到精通!更有问答月卡免费送,你的问题有问必答!
    提交答案

    购买课程

    扫码完成付费,可继续学习全部课程内容

    加载中...
    播放页问题反馈
    视频学习中有任何产品建议都可由此反
    馈,我们将及时处理!

    课时介绍

    集成学习简介

    课程介绍

    详细讲解了集成学习的主要方法:Voting、Bagging、Boosting和Stacking。每一种集成方法都配有详细的代码讲解。能够使用集成模型完成分类或回归任务。
    推荐课程
    正在试验
    后自动删除环境
    课程实验
    本次实验时间已到期 00:00:00
    课件正在飞速打包中,请耐心等待几秒钟~