{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":170,"pdf_page":186,"physical_index":186,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"02b3ae7c5844959eb911f8e5dda5cfa31264bd1287a5dea90f1d2540e98285fd"},"chapter":"第6章","content":"超平面和最接近的数据点的距离看作一个差值，最好的超平面可以把所有数据划分为两个类，并且这个差值最大。只有这些点与超平面的定义和分类器的构造有关。这些点被称作支持向量，是它们定义了超平面。在实际使用中，优化算法被用于找到一组参数值使差值达到最大。SVM可能是一种最为强大的分类器。\n\n6.1.9 Bagging 和随机森林\n\n随机森林是一个常用并且最为强大的机器学习算法。它是一种集成机器学习算法，称作自举汇聚或Bagging。Bootstrap是一种强大的统计方法，用于数据样本的估算，比如均值。从数据中采集很多样本，计算均值，然后将所有均值再求平均，最终得到一个真实均值的较好的估计值。在Bagging中用了相似的方法。但是通常用决策树来代替对整个统计模型的估计。从训练集中采集多个样本，针对每个样本构造模型。当你需要对新的数据进行预测时，每个模型做一次预测，然后对预测值进行平均，得到真实输出的较好的预测值。如图6-10所示为随机森林的例子。\n\n这里的不同在于在什么地方创建树，与决策树选择最优分叉点不同，随机森林通过加入随机性从而产生次优的分叉点。每个数据样本所创建的模型与其他的都不相同，但在唯一性和不同性方面仍然准确。结合这些预测结果可以更好地得到真实的输出估计值。如果在高方差的算法（比如决策树）中得到较好的结果，通常也可以通过Bagging这种算法得到更好的结果。\n\n6.1.10 Boosting 和 AdaBoost\n\nBoosting是一种集成方法，通过多种弱分类器创建一种强分类器。它首先通过训练数据建立一个模型，然后建立第二个模型来修正前一个模型的误差。在完成对训练集完美预测之前，模型和模型的最大数量都会不断添加。\n\n人工智能与大数据技术导论\n\n170","previous_page":169,"next_page":171}