题目2574 · 机器学习
为什么 bagging 最能帮助不稳定学习器 10
为什么 bagging 通常对深树帮助很大，却对本来就稳定的学习器帮助较小？
打开 →找到 18 个结果
English questions题目2575 · 机器学习
为什么 bagging 很少能修复高偏差 11
为什么不应指望 bagging 单独去拯救一个“单树本身就系统性失配”的学习器？
打开 →题目2589 · 机器学习
偏差不变时 bagging 后的 MSE 7
假设每棵树的偏差平方都是 b^2，预测噪声底为 nu，而 bagging 只会按等相关树公式改变方差项。请推导拥有 B 棵树时的 bagged 测试 MSE。
打开 →题目2413 · 机器学习
为什么 bagging 主要针对的是方差
为什么 bagging 通常被描述为降方差工具，而不是降偏差工具？
打开 →题目2577 · 机器学习
为什么 OOB 不适用于分组或时间数据 13
为什么当样本之间由实体或时间联系在一起，而不是可交换抽样时，out-of-bag 误差会具有误导性？
打开 →题目2580 · 机器学习
为什么增加树数通常不会制造经典意义上的过拟合 15
为什么给随机森林继续加树，通常只是收益趋于平台，而不会出现某些单模型家族那种爆炸式过拟合？
打开 →题目2591 · 机器学习
为什么小样本下 OOB 可能很吵 19
为什么在小数据集上，即使森林本身还算稳定，OOB 误差也可能波动很大？
打开 →题目2593 · 机器学习
为什么平均无法治愈系统性标签噪声 20
为什么当训练标签本身存在系统性污染时，单纯把森林做大可能并不能修复性能？
打开 →题目2576 · 机器学习
为什么强势单因子场景下特征子采样更有价值 12
为什么当某个非常强的特征本来会出现在几乎每棵树的顶部时，随机特征子采样反而能提升森林表现？
打开 →题目2578 · 机器学习
为什么过小的 max_features 会抬高偏差 14
为什么把 max_features 设得过小，虽然能降低相关性，却仍可能伤害随机森林？
打开 →题目2581 · 机器学习
为什么随机森林回归外推能力差 16
为什么随机森林回归通常无法把趋势外推到远超训练范围的区域？
打开 →题目2584 · 机器学习
再加一棵树带来的边际方差下降 3
在等相关树模型下，推导把树的数量从 B 增加到 B+1 时，集成方差会下降多少。
打开 →题目2573 · 机器学习
无限森林的方差地板 2
利用等相关树平均的方差公式，推导当树的棵数 B 趋于无穷时预测方差会收敛到什么值。
打开 →题目2579 · 机器学习
由方差地板反推树相关性 23
单棵树的方差是 6，而一个非常大的森林的方差似乎稳定在 1.8。隐含的树间相关系数 rho 是多少？
打开 →题目2571 · 机器学习
相关树平均后的方差公式 1
设有 B 棵树，每棵树的方差都是 sigma^2，并且任意两棵树之间的相关系数都是 rho。推导它们简单平均后的方差。
打开 →题目2592 · 机器学习
等效独立树棵数 8
定义 B_eff，使得相关森林的方差 sigma^2 [rho + (1-rho)/B] 与独立树平均的方差 sigma^2 / B_eff 相等。请推导 B_eff。
打开 →题目2585 · 机器学习
达到目标方差上限所需的树数 4
设每棵树的方差为 sigma^2，任意两棵树的相关系数为 rho。假设目标上限 V 满足 V > rho sigma^2，推导要把集成方差压到不超过 V 所需的最小 B。
打开 →题目2572 · 机器学习
集成方差的数值计算 22
每棵树的方差为 9，任意两棵树的相关系数为 0.2，森林共有 25 棵树。森林平均预测的方差是多少？
打开 →