只需十四步：从零开始掌握Python机器学习（附资源）
2017-03-15 08:55:54   来源：   评论：0 点击：

首先，阅读这些集成学习器的概述，第一个是通用性的；第二个是它们与 Scikit-learn 有关：

• 集成学习器介绍，作者 Matthew Mayo。地址：http://suo.im/cLESw

• Scikit-learn 中的集成方法，Scikit-learn 文档。地址：http://suo.im/yFuY9

然后，在继续使用新的集成方法之前，请通过一个新的教程快速学习随机森林：

• Python 中的随机森林，来自 Yhat。地址：http://suo.im/2eujI

包装、提升和投票都是不同形式的集成分类器，全部涉及建构多个模型; 然而，这些模型由什么算法构建，模型使用的数据，以及结果如何最终组合起来，这些都会随着方案而变化。

• 包装：从同一分类算法构建多个模型，同时使用来自训练集的不同（独立）数据样本——Scikit-learn 实现包装分类器

• 提升：从同一分类算法构建多个模型，一个接一个地链接模型，以提高每个后续模型的学习——Scikit-learn 实现 AdaBoost

• 投票：构建来自不同分类算法的多个模型，并且使用标准来确定模型如何最好地组合——Scikit-learn 实现投票分类器

那么，为什么要组合模型？为了从一个特定角度处理这个问题，这里是偏差-方差权衡的概述，具体涉及到提升，以下是 Scikit-learn 文档：

• 单一评估器 vs 包装：偏差-方差分解，Scikit-learn 文档。地址：http://suo.im/3izlRB

现在你已经阅读了关于集成学习器的一些介绍性材料，并且对几个特定的集成分类器有了基本了解，下面介绍如何从 Machine Learning Mastery 中使用 Scikit-learn 在 Python 中实现集成分类器：

• 使用 Scikit-learn 在 Python 中实现集成机器学习算法，作者 Jason Brownlee。地址：http://suo.im/9WEAr