boosting和bootstrap区别-Python教程

bootstrap:预计统计量的重采样办法（保举学习：Python视频教程）

bootstrap办法是从巨细为n的原始训练数据集DD中随机抉择n个样本点组成一个新的训练集，这个抉择进程自力反复B次，而后用这B个数据集对模子统计量进行预计（如均值、方差等）。因为原始数据集的巨细就是n，以是这B个新的训练集中不成防止的会存正在反复的样本。

统计量的预计值界说为自力的B个训练集上的预计值θbθb的均匀：

boosting:

boosting顺次训练k个子分类器，终极的分类后果由这些子分类器投票决议。

起首从巨细为n的原始训练数据集中随机拔取n1n1个样本训练出第一个分类器，记为C1C1，而后结构第二个分类器C2C2的训练集D2D2，要求：D2D2中一半样天性被C1C1正确分类，而另外一半样本被C1C1错分。

接着持续结构第三个分类器C3C3的训练集D3D3，要求：C1C一、C2C2对D3D3中样本的分类后果没有同。残余的子分类器依照相似的思绪进行训练。

boosting结构新训练集的次要准则是应用最富信息的样本。

更多Python相干技巧文章，请拜访Python教程栏目进行学习！

以上就是boosting以及bootstrap区分的具体内容，更多请存眷资源魔其它相干文章！