机器学习中什么是集成学习？

集成学习是功能强大的机器学习技术之一。集成学习通过使用多种机器学习模型来提高预测结果的可靠性和准确性。但是，使用多种机器学习模型如何使预测结果更准确?可以采用什么样的技术创建整体学习模型?以下将探讨解答这些问题，并研究使用集成模型的基本原理以及创建集成模型的主要方法。

什么是集成学习?

简而言之，集成学习是训练多个机器学习模型并将其输出组合在一起的过程。组织以不同的模型为基础，致力构建一个最优的预测模型。组合各种不同的机器学习模型可以提高整体模型的稳定性，从而获得更准确的预测结果。集成学习模型通常比单个模型更可靠，因此，它们经常在许多机器学习竞赛中获胜。

工程师可以使用多种技术来创建集成学习模型。而简单的集成学习技术包括平均不同模型的输出结果，同时还开发了更复杂的方法和算法，专门用于将许多基础学习者/模型的预测结果组合在一起。

为什么要使用集成训练方法?

出于多种原因，机器学习模型可能会彼此不同。不同的机器学习模型可以对总体数据的不同样本进行操作，可以使用不同的建模技术，并且使用不同的假设。

想象一下，如果你加入由不同专业人员组成的团队，那么肯定会有一些你知道和不知道的技术，假设你正在和其他成员一起讨论一个技术主题。他们也像你一样，只对自己的专业有所了解，而对其他专业技术一无所知。但是，如果最终能将这些技术知识组合在一起，将会对更多领域有更准确的猜测，这是集成学习的原理，也就是结合不同个体模型(团队成员)的预测以提高准确性，并最大程度地减少错误。

统计学家已经证明，当一群人被要求用一系列可能的答案来猜测一个给定问题的正确答案时，他们所有的答案都会形成一个概率分布。真正知道正确答案的人会自信地选择正确的答案，而选择错误答案的人会将他们的猜测分散到可能的错误答案范围内。例如玩一个猜谜游戏，如果你和两个朋友都知道正确的答案是A，那么你们三个人都会选A，而团队中其他三个不知道答案的人很可能会错误地猜测是B、C、D或E，其结果是A有三票，其他答案可能只有一到两票。

所有的模型都有一定的误差。一个模型的误差将不同于另一个模型产生的误差，因为模型本身由于上述原因而不同。当检查所有的错误时，它们不会聚集在某一个答案周围，而是广泛分布。不正确的猜测基本上分散在所有可能的错误答案上，并相互抵消。与此同时，来自不同模型的正确猜测将聚集在正确的答案周围。当使用集成训练方法时，可以找到更可靠的正确答案。

免费分享一些我整理的人工智能学习资料给大家，整理了很久，非常全面。包括一些人工智能基础入门视频+AI常用框架实战视频、图像识别、OpenCV、NLP、YOLO、机器学习、pytorch、计算机视觉、深度学习与神经网络等视频、课件源码、国内外知名精华资源、AI热门论文等。

下面是部分截图，文末附免费下载方式。

目录

一、人工智能免费视频课程和项目

二、人工智能必读书籍

三、人工智能论文合集

四、机器学习+计算机视觉基础算法教程

 五、深度学习机器学习速查表（共26张）

学好人工智能，要多看书，多动手，多实践，要想提高自己的水平，一定要学会沉下心来慢慢的系统学习，最终才能有所收获。

点击下方名片，扫码免费下载文中资料。