跳到主要内容
停靠面板
首页
日程管理
更多
简体中文 (zh_cn)
简体中文 (zh_cn)
English (en)
登录
The Way To Learn
首页
日程管理
打开课程索引
首页
课程
编程与计算机科学
机器学习
机器学习
3.集成与概率学习
3.集成与概率学习
章节大纲
选择活动3.1 引言（Introduction）
3.1 引言（Introduction）
网页
选择活动3.2 模型组合方案 - 组合多个学习器（Model Combination Schemes - Combining Multiple Learners）
3.2 模型组合方案 - 组合多个学习器（Model Combination Schemes - Combining Multiple Learners）
网页
选择活动3.3 投票法（Voting）
3.3 投票法（Voting）
网页
选择活动3.4 纠错输出码 (Error-Correcting Output Codes)
3.4 纠错输出码 (Error-Correcting Output Codes)
网页
选择活动3.5 自举聚合 (Bagging)
3.5 自举聚合 (Bagging)
网页
选择活动 3.5.1 随机森林（RANDOM FORESTS）
3.5.1 随机森林（RANDOM FORESTS）
网页
选择活动3.6 提升法（Boosting ）
3.6 提升法（Boosting ）
网页
选择活动 3.6.1 自适应提升（AdaBoost）
3.6.1 自适应提升（AdaBoost）
网页
选择活动 3.6.2 堆叠泛化（Stacking）
3.6.2 堆叠泛化（Stacking）
网页
选择活动3.7 概率学习（Probabilistic Learning）
3.7 概率学习（Probabilistic Learning）
网页
选择活动3.8 高斯混合模型（GAUSSIAN MIXTURE MODELS）
3.8 高斯混合模型（GAUSSIAN MIXTURE MODELS）
网页
选择活动3.9 期望-最大化 (EM) 算法（The Expectation-Maximisation (EM) Algorithm）
3.9 期望-最大化 (EM) 算法（The Expectation-Maximisation (EM) Algorithm）
网页
选择活动3.10 信息准则（Information Criteria）
3.10 信息准则（Information Criteria）
网页
选择活动3.11 最近邻方法（Nearest neighbour methods）
3.11 最近邻方法（Nearest neighbour methods）
网页
选择活动3.12 最近邻平滑（Nearest Neighbour Smoothing）
3.12 最近邻平滑（Nearest Neighbour Smoothing）
网页
选择活动3.13 高效距离计算：KD 树（Efficient Distance Computations: the KD-Tree）
3.13 高效距离计算：KD 树（Efficient Distance Computations: the KD-Tree）
网页
选择活动3.14 距离度量（Distance Measures）
3.14 距离度量（Distance Measures）
网页