目录Python全系列 教程
3567个小节阅读：5929.9k
目录
鸿蒙应用开发
C语言快速入门
JAVA全系列 教程
面向对象的程序设计语言
Python全系列 教程
Python3.x版本，未来主流的版本
人工智能 教程
顺势而为，AI创新未来
大厂算法 教程
算法，程序员自我提升必经之路
C++ 教程
一门通用计算机编程语言
微服务 教程
目前业界流行的框架组合
web前端全系列 教程
通向WEB技术世界的钥匙
大数据全系列 教程
站在云端操控万千数据
AIGC全能工具班
A A
White Night
Bagging是并行式集成学习最著名的代表，它是基于自助采样法(bootstrap sampling)
自助采样法(bootstrap sampling)：
给定包含m个样本的数据集，先随机取出一个样本放入采样集中并记录，再把该样本放回初始数据集，使得下次采样时该样本仍有可能被选中，这样，经过m次随机采样操作，我们得到含m个样本的采样集，初始训练集中有的样本在采样集里多次出现，有的则从未出现（平均37%没有取到）。
自助采样过程导致一部分样本可能没有取到(平均37%没有取到),这些未取到的样本称为
OOB(Out of Bag)，可以使用这部分OOB的数据集作为测试集
基于每个采样集训练出一个基学习器，再将这些基学习器进行结合
随机森林(Random Forest,简称RF)是Bagging的一个扩展变体。
RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。
具体来说，传统决策树在选择划分属性时是在当前结点的属性集合（假定有d个属性）
中选择一个最优属性；而在RF中，对基决策树的每个结点，先从该结点的属性集合中随机
选择一个包含k个属性的子集，然后再从这个子集中选择一个最优属性用于划分。这里的参
数k控制了随机性的引入程度：若令k=d，则基决策树的构建与传统决策树相同；若令k=1，
则是随机选择一个属性用于划分；一般情况下，推荐值k=log~2~d。
1. 关于自助采样法(bootstrap sampling)，下列说法正确的是:
A 属于无放回采样
B 平均有37%的样本没有取到，被称为OOB
C 每个采样集中只包含1个样本
D 以上说法均不正确
2. 关于随机森林，下列说法正确的是:
A 随机森林与Bagging没有任何关系
B 随机森林在决策树的训练过程中引入了随机属性选择
C 随机森林是以逻辑回归为基学习器的
D 以上说法均不正确
1=>B 2=>B
