boosting
똑같이 bootstrap aggregating 을 할 건데, 이전의 학습기가 다음 학습기에 영향을 준다.
부스팅은 단순한 모델이어도 된다.
하나의 모델이 단순해져도 복잡한 문제를 더 잘 푼다.
단일 모델의 복잡도는 줄었는데 연계를 하니까 복잡한 문제를 잘 푼다.
모든 부스팅 모델은 단일 모델이 편향되지 않게 조절해야되는 것도, 개수에 대해서도 조절이 필요하다.
랜덤 포레스트와는 구조적인 차이로 인해 핸들링 접근법의 차이가 있다.
랜덤 포레스트는 깊게, 에이다부스트는 얕게
728x90
반응형
'개발' 카테고리의 다른 글
| 분류모델 평가 (0) | 2022.11.10 |
|---|---|
| Naive Bayes (0) | 2022.11.10 |
| Random Forest (0) | 2022.11.10 |
| Decision Tree (0) | 2022.11.09 |
| 머신러닝에서 convex (0) | 2022.11.09 |
