python中的几种集成分类器
from sklearn import ensemble集成分类器(ensemble)：
1.bagging(ensemble.bagging.BaggingClassifier)
对随机选取的子样本集分别建立基本分类器，然后投票决定最终的分类结果
2.RandomForest(ensemble.RandomForestClassifier)
对随机选取的子样本集分别建立m个CART(Classifier and Regression Tree)，然后投票决定最终的分类结果
Random在此处的意义：
1）Bootstrap 中的随机选择子样本集
2）Random subspace 的算法从属性中随机选择k个属性，每个树节点分裂时从这随机的k个属性中，选择最优的
3.Boosting(ensemble.weight_boosting)
在选择分类超平面时给样本加了一个权值，使得loss function尽量考虑那些分错类的样本。（i.e.分错类的样本weight 大）
-boosting 重采样的不是样本，而是样本的分布。最后的分类结果是几个弱分类器的线性加权和。注意这几个弱分类器都是一种base classifier类别。
-与bagging的区别：bagging 的训练集是随机的，各训练集是独立的；而boosting训练集的选择不是独立的，每次选择的训练集都依赖于上一次学习的结果；
bagging的每个预测函数（即弱假设）没有权重，而Boosting根据每一次训练的训练误差得到该次预测函数的权重；
bagging的各个预测函数可以并行生成，而boosting的只能顺序生成。对于神经网络这样极为耗时的学习方法，Bagging可通过并行训练节省大量的时间开销。
-与bagging的共同点：都可以通过使用for循环给estimator赋不同的分类器类型，以实现集成多种分类器，而不是单一的某一种（比如决策树）。
代表算法 Adaboost 和 Realboost。总的来说，Adaboost 简单好用，Realboost 准确
4.Stacking
在stacking（堆叠）方法中，每个单独分类器的输出会作为更高层分类器的输入，更高层分类器可以判断如何更好地合并这些来自低层的输出。
参考文章：http://blog.csdn.net/abcjennifer/article/details/8164315
页:
[1]