集成算法、bagging、boosting、stacking、随机森林

决策树随机森林GBDTXGBoost

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一 模型融合算法优势二 模型融合介绍2.1 模型融合的概念2.2 模型融合的条件2.3 构建不同集成模型的方法三 模型融合策略3.1 Voting 投票法3.2 Averaging 平均法3.3 Ranking 排序法3.4 Binning3.5 Bagging 融合—并行训练 （例如 随机森林）3.6 Boosting

pytho安装、离线安装、查看版本

pytho安装、离线安装、查看版本

参考：https://www.cnblogs.com/gobetter/p/13786704.htmlhttps://blog.csdn.net/oyww710/article/details/106310449文章目录一、基础原理1.1 硬投票1.2 软投票二、代码2.1 硬投票2.2 软投票一、基础原理  在所有集成学习方法中，最直观的是多数投票。因为其目的是输出基础学习者的预测中最受欢迎（或

https://blog.csdn.net/sun_shengyun/article/details/53811483Sklearn库中Logistic Regression函数各个参数文章目录前言参数前言  在scikit-learn中，与逻辑回归有关的主要是这3个类。LogisticRegression， LogisticRegressionCV 和logistic_regression_pa

参考：https://www.cnblogs.com/gobetter/p/13786704.htmlhttps://blog.csdn.net/oyww710/article/details/106310449文章目录一、基础原理1.1 硬投票1.2 软投票二、代码2.1 硬投票2.2 软投票一、基础原理  在所有集成学习方法中，最直观的是多数投票。因为其目的是输出基础学习者的预测中最受欢迎（或