【深度学习】详解集成学习的投票和Stacking机制

最新推荐文章于 2025-07-25 01:00:00 发布

理想不闪火

最新推荐文章于 2025-07-25 01:00:00 发布

阅读量2.1k

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习入门到精通系列讲解

本文链接：https://blog.csdn.net/weixin_43838785/article/details/117872083

深度学习入门到精通系列讲解专栏收录该内容

239 篇文章 ¥19.90 ¥99.00

订阅专栏

超级会员免费看

本文详细介绍了集成学习中的投票机制，包括硬投票和软投票的概念和区别。通过实例展示了如何在PyTorch中利用投票机制进行手写数字分类。此外，文章还探讨了Stacking原理及其在二分类问题中的应用，以及在Kaggle气胸病灶图像分割挑战中的顶级解决方案。

【深度学习】详解集成学习的投票和Stacking机制

在这里插入图片描述

文章目录
1 基础原理
	1.1 硬投票
	1.2 软投票
2 pytorch综合多个弱分类器，投票机制，进行手写数字分类（boosting）
3 Stacking原理
4 Stacking分类应用
5 kaggle气胸病灶图像分割top4解决方案

1 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（或最受欢迎）的预测。多数投票是最简单的集成学习技术，它允许多个基本学习器的预测相结合。与选举的工作方式类似，该算法假定每个基础学习器都是投票者，每个类别都是竞争者。为了选出竞争者为获胜者，该算法会考虑投票。将多种预测与投票结合起来的主要方法有两种：一种是硬投票，另一种是软投票。我们在这里介绍两种方法。
在这里插入图片描述
这种投票分类器往往比单个的最佳分类器获得更高的准确率。事实上，即使每个分类器都是一个弱的学习者(意味着它只比随机猜测稍微好一点)，如果有足够多的弱学习者并且他们足够多样化，那么最终集成