文献类型：期刊文章

作　　者：徐继伟[1] 杨云[1]

XU Ji-wei, YANG Yun(School of Software, Yunnan University, Kunming 650500, China)

机构地区：[1]云南大学软件学院,云南昆明650500

出　　处：《云南大学学报（自然科学版）》

基　　金：国家自然科学基金(61876166;61663046)

年　　份：2018

卷　　号：40

期　　号：6

起止页码：1082-1092

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、IC、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：机器学习的求解过程可以看作是在假设空间中搜索一个具有强泛化能力和高鲁棒性的学习模型,而在假设空间中寻找合适模型的过程是较为困难的.然而,集成学习作为一类组合优化的学习方法,不仅能通过组合多个简单模型以获得一个性能更优的组合模型,而且允许研究者可以针对具体的机器学习问题设计组合方案以得到更为强大的解决方案.回顾了集成学习的发展历史,并着重对集成学习中多样性的产生、模型训练和模型组合这三大策略进行归纳,然后对集成学习在现阶段的相关应用场景进行了描述,并在最后对集成学习的未来研究方向进行了分析和展望.

关 键 词：集成学习  BAGGING BOOSTING STACKING

分 类 号：TP181]