boosting标签_2048 AI社区

boosting

【2026美赛赛题初步翻译A题】2026_MCM_Problem_A

如果开放数据集有限，您可以使用已发布的测量值或规格(有适当的引用)，前提是参数有明确的正当理由并经过合理性验证。然而，如果没有明确的连续时间模型，仅基于离散曲线拟合、时间步长回归或黑盒机器学习的项目将无法满足这个问题的要求。注意:对于完整的MCM提交，没有具体要求的最小页面长度。你的任务是开发一个智能手机电池的连续时间数学模型，该模型在实际使用条件下返回充电状态(SOC)作为时间的函数。这将产生一

 是小猪同学呀
2026-01-30 06:30:44

 742

 14

#c语言 #开发语言 #金融 +1
揭秘 AlphaGo 的大脑：一文读懂蒙特卡洛树搜索 (MCTS)：10 步通关教程

网上关于 MCTS（蒙特卡洛树搜索）的原理讲解很多，但能从直觉到公式，再到代码落地讲透的却很少。本文将分 10 个章节，像剥洋葱一样拆解 MCTS。我们要抛弃复杂的深度学习框架，仅用纯 Python，从最基础的“多臂老虎机”原理讲起，推导 UCB 公式，直到手写出一个完整的、能玩井字棋的 AI。无论你是 DRL 初学者还是想探究 AlphaGo 原理的开发者，这篇文章都能带你彻底通关。

AggressiveYu
2026-01-26 17:24:38

 1398

 19

#人工智能 #神经网络 #深度学习 +3
论文精读第七期：告别昂贵的人工标注！Math-Shepherd：如何用“零成本”自动化过程监督，让大模型数学能力暴涨？

大模型做数学题总是“一步错，步步错”？大家都知道“过程奖励模型（PRM）”效果好，但动辄几十万条的人工标注数据实在太贵了。今天这篇博客将带你深度拆解北大与 DeepSeek 联合推出的 Math-Shepherd。它不仅提出了一种无需人类介入、基于蒙特卡洛思想的自动化数据构造方法，更在 GSM8K 和 MATH 榜单上全面碾压了传统方法。这不仅是数学推理的胜利，更是数据工程的一次教科书级示范。无

 AggressiveYu
2026-01-22 14:45:18

 753

 12

#人工智能 #机器学习 #深度学习 +4
稀疏 MoE 与原生多模态双驱：2025 大模型技术演进全景

本文探讨了大模型发展的两大关键技术：稀疏MoE（混合专家模型）和原生多模态双驱动。稀疏MoE通过动态激活部分专家网络实现高效计算，在保持模型规模的同时降低算力消耗。原生多模态技术则通过统一架构实现文本、图像等不同模态的深度融合，提升跨模态理解能力。文章通过PyTorch代码示例展示了稀疏MoE层的实现原理和多模态数据处理方法，分析了这些技术如何推动AI从单一模态向多模态高效化演进，为2025年大模

 Dy-lan
2026-01-12 23:34:05

 1359

 55

#数据挖掘 #机器学习 #人工智能 +3
【人工智能学习-AI-MIT公开课第 17.-学习：boosting 算法】

为了应对大学院考试，我们来学习相关人工智能相关知识，并且是基于相关课程。使用课程为MIT的公开课。通过学习，也算是做笔记，让自己更理解些。1️⃣ 弱学習器を逐次的に学習する2️⃣ 誤分類サンプルに重点を置く3️⃣ ノイズに弱い知识一点点记录吧，最后应对考试，打下基础。

好奇龙猫
2026-01-08 16:05:34

 1084

 13

#人工智能 #学习 #boosting
Boosting Few-shot Fine-grained Recognition with Background Suppression and Foreground Alignment

通过经验揭示了显著提高小样本任务性能的两个关键点，一是减弱背景干扰，二是对准前景响应。提出的少样本细粒度识别方法通过引入背景激活抑制、前景对象对齐、局部到局部相似度度量和双重相似性推断机制，显著提高了少样本细粒度分类任务的性能。实验结果验证了方法的有效性和普适性，为少样本细粒度识别领域提供了新的思路和解决方案。

愛এ᭄ℒꪮꪜ꧖
2025-12-18 15:08:10

 648

 28

#boosting #集成学习 #机器学习
KAG: Boosting LLMs in Professional Domains via Knowledge Augmented Generation

KAG框架通过深度融合知识图谱与传统RAG技术，提出专业领域知识服务解决方案。其核心创新包括LLM友好的知识表示方法、逻辑形式引导的混合推理引擎、基于语义推理的知识对齐机制，以及针对KAG的模型能力增强策略。在多跳问答任务中，KAG较SOTA方法取得显著提升（HotpotQA F1提升19.6%，2WikiMultiHopQA提升33.5%），并已成功应用于电子政务和电子健康领域。该框架将集成到开

 w2698515789
2025-11-11 17:29:01

 964

 29

#boosting #人工智能 #集成学习
HoRain云--机器学习集成学习：Bagging、Boosting与Stacking详

本文介绍了机器学习中三种主流的集成学习方法：Bagging（如随机森林）、Boosting（如AdaBoost）和Stacking。Bagging通过并行训练多个模型并投票/平均结果来降低方差；Boosting则通过序列化训练弱学习器并加权组合来减少偏差；Stacking通过训练不同类型的基础模型，再将其输出作为元模型输入进行最终预测。文章通过鸢尾花数据集实例演示了三种方法的代码实现，并分析了各自

 HoRain 云小助手
2025-08-04 09:46:24

 686

 29

#集成学习 #机器学习 #boosting
boosting.dll bizcontnr.dll biosdomainui.dll bieinterface.dll bhoappadder.dll benchmarkutility.d

以上只是通用的运行库dll处理方式，如果你遇到缺失文件是第三方的软件文件，那么就需要下载到属于这个程序所匹配的版本的文件，然后将这个文件复制到这个程序的安装目录下才能解决问题。如果我们遇到关于文件在系统使用过程中提示缺少找不到的情况，如果文件是属于运行库文件的可以单独下载文件解决，但还是建议安装完整的运行库，可以尝试采用手动下载替换的方法解决问题！文件下载完成后，下方列表会有很多个不同版本的文件，

qqtban
2025-07-31 15:31:07

 369

 3

#boosting #集成学习 #机器学习
CatBoost中的预测偏移和排序提升

在 CatBoost 中，预测偏移（Prediction Shift）和排序提升（Ordered Boosting）是其关键概念和创新点。CatBoost 通过引入排序提升解决了梯度提升决策树（GBDT）算法中常见的预测偏移问题，从而提高了模型的稳定性和性能。

正义的彬彬侠
2024-11-12 16:43:53

 1455

 14

#机器学习 #集成学习 #boosting +1
#集成学习#：bagging、boosting、stacking和blending

集成学习是一种机器学习方法，旨在提高单个模型的性能和鲁棒性。它基于这样一个假设：通过结合多个模型的预测结果，可以获得更好的预测性能，因为每个模型都可能从数据中提取不同的信息，因此他们的错误也可能是不同的，通过整合他们的预测结果可以减少这种错误的影响。集成学习可以分为两类：bagging和boosting。Bagging：是bootstrap aggregating的缩写，即自举汇聚法。它通过从原始

 SniperitfCoder
2023-02-26 15:15:24

 1972

#集成学习 #boosting #机器学习
机器学习_集成学习之Boosting(提升较弱的模型，以降低弱模型的偏差)

机器学习_集成学习之Boosting(提升较弱的模型，以降低弱模型的偏差)

我是益达呀呀呀
2024-01-28 15:42:26

 2584

 37

#机器学习 #集成学习 #boosting
什么是决策树桩

决策树桩（Decision Stump）是一个深度为1的简单决策树，即只有一个分裂节点（根节点）和两个叶节点。由于它只有一个分裂，决策树桩相当于使用一个特征进行二分类或多分类，是最简单的决策树形式。

正义的彬彬侠
2024-10-31 17:08:51

 854

 5

#机器学习 #集成学习 #boosting +1
sklearn处理离散变量的问题——以决策树为例

决策树是怎么知道哪一列是离散特征的？

琦子k
2023-10-13 18:11:17

 2463

 3

#sklearn #决策树 #人工智能 +1
随机森林与boosting的比较：选择最合适的枚举方法

1.背景介绍随机森林(Random Forest)和Boosting是两种非常重要的机器学习方法，它们在许多实际应用中都取得了显著的成功。随机森林是一种基于多个决策树的集成学习方法，而Boosting则是一种基于逐步调整权重的方法，以提高弱学习器的泛化能力。在本文中，我们将对这两种方法进行比较和分析，以帮助读者更好地理解它们的优缺点，并选择最合适的枚举方法。随机森林和Boosting都是集...

禅与计算机程序设计艺术
2024-01-07 02:10:15

 1280

 20

#随机森林 #boosting #算法 +2
《XGBoost算法的原理推导》12-13树的叶子节点权重w和映射关系q 公式解析

公式(12-13)表达了XGBoost中每棵决策树对样本的预测过程：样本x根据决策树的划分规则到达某个叶子节点，该叶子节点的权重就是该样本的预测值。这个公式清晰地描述了决策树模型在XGBoost中的预测机制。

正义的彬彬侠
2024-11-07 12:10:34

 1759

 14

#机器学习 #集成学习 #boosting +2
集成学习分类和区别

集成学习1.1定义所谓集成学习（ensemble learning），是指通过构建多个弱学习器，然后结合为一个强学习器来完成分类任务。并相较于弱分类器而言，进一步提升结果的准确率。严格来说，集成学习并不算是一种分类器，而是一种学习器结合的方法。下图显示了集成学习的整个流程：首次按产生一组“个体学习器”，这些个体学习器可以是同质的（homogeneous）（例如

 道八说胡
2017-08-08 10:34:00

 1w

 1

#boosting
CatBoost中的排序提升（Ordered Boosting）

排序提升（Ordered Boosting）是CatBoost的核心创新之一，用于解决梯度提升决策树（GBDT）在训练过程中可能产生的信息泄漏（Information Leakage）和预测偏移（Prediction Shift）问题。排序提升特别适合高基数分类特征的数据集，能显著提升模型的稳定性和泛化性能。

正义的彬彬侠
2024-11-12 19:44:14

 1498

 14

#机器学习 #集成学习 #boosting +2
微软公司可解释性模型Explainable Boosting Machine (EBM) 介绍和开箱测评！

微软公司可解释性模型Explainable Boosting Machine (EBM) 介绍和开箱测评！

python风控模型
2024-06-05 10:41:25

 1460

 29

#boosting #集成学习 #机器学习
二、集成学习：Boosting 之 AdaBoost_分类问题

（2）Boosting 之 AdaBoostBoosting 的本质实际上是一个加法模型，通过改变训练样本权重学习多个分类器并进行一些线性组合。而 Adaboost 就是加法模型+指数损失函数+前项分布算法。Adaboost 就是从弱分类器出发反复训练，在其中不断调整数据权重或者是概率分布，同时提高前一轮被弱分类器误分的样本的权值。最后用分类器进行投票表决（但是分类器的重要性不同）...

cy^2
2022-05-25 22:01:00

 1032

#集成学习 #分类 #boosting
AdaBoost（Adaptive Boosting）算法

AdaBoost（Adaptive Boosting，自适应提升）是一种迭代的机器学习算法，它通过组合多个弱分类器来构建一个强分类器。AdaBoost 是最早且最著名的提升方法之一，因其简单性和有效性而在实践中得到广泛应用。

化作星辰
2025-01-17 15:03:17

 1242

 23

#算法 #boosting #机器学习
机器学习（七）——集成学习（个体与集成、Boosting、Bagging、随机森林RF、结合策略、多样性增强、多样性度量、Python源码）

本文是基于西瓜书（第八章）的学习记录。内容包括个体学习和集成学习，集成学习介绍了Boosting方法、Bagging方法和随机森林。还讲解了集成学习的结合策略、多样性分析等等，文章附Python实现源码。

_清豆°
2024-11-10 02:36:49

 2574

 30

#集成学习 #机器学习 #boosting +2
matlab xgboost

最近一个朋友在询问关于xgboost的matlab代码，恰巧在三年前的五一数模中写过这个模型，当时找了好久的matalb代码没找到，最后才找人用python跑的，所以这次一方面是为了回答他的问题，另一方面是解答三年前的疑问。要么就是直接上mbd进行付费。其中提到：原来，xgboost不是机器学习算法。而是是梯度增强的有效实现。这时候，就有人问了，那么什么是梯度提升回归呢？！这里，已经有了非常清楚的

 中堂李1027
2024-08-04 22:13:51

 1715

 29

#matlab #boosting
决策树的随机森林与 gradient boosting 的区别与优缺点

1.背景介绍随机森林(Random Forest)和梯度提升(Gradient Boosting)是两种非常受欢迎的机器学习方法，它们都是基于决策树的算法。随机森林是一种集成学习方法，通过构建多个独立的决策树并对它们的预测进行平均，来减少单个决策树的过拟合问题。梯度提升则是一种增量学习方法，通过逐步构建多个决策树并对它们的预测进行累积，来逐步优化模型的性能。在本文中，我们将详细介绍随机森林...

禅与计算机程序设计艺术
2024-01-08 01:25:58

 2557

 22

#决策树 #随机森林 #boosting +2
AdaBoost算法Python代码实现

Adaboost 类实现了一个基于决策树桩的 AdaBoost 算法。通过循环迭代，每一轮选择一个最佳弱分类器，并根据误差更新权重，逐步提高分类效果。最终预测结果为所有弱分类器的加权和。

正义的彬彬侠
2024-10-31 18:41:56

 1957

 34

#机器学习 #python #算法 +3
GBDT算法Python代码实现

这个GBDT类实现了梯度提升决策树（GBDT）的基本功能。GBDT是一种集成学习方法，通过逐步增加树模型来提升整体模型的预测性能。每棵树都在前一棵树的基础上拟合残差，即当前模型预测值和真实值之间的误差。

正义的彬彬侠
2024-11-03 23:28:42

 2792

 18

#机器学习 #算法 #python +2
LightGBM使用示例

使用 LightGBM 对鸢尾花数据集进行了多分类任务的建模和评估。示例展示了 LightGBM 的基本用法，包括模型创建、训练、预测和评估。

正义的彬彬侠
2024-11-10 23:06:21

 1733

 18

#机器学习 #python #集成学习 +2
XGBoost算法的原理推导

XGBoost 相对完整的数学推导过程，核心是通过损失函数展开到二阶导数来进一步逼近真实损失。

正义的彬彬侠
2024-11-04 21:39:07

 2159

 39

#机器学习 #集成学习 #boosting +3
集成学习之Xgboost超详细推导

前言继上篇GBDT的介绍https://blog.csdn.net/weixin_42001089/article/details/84937301我们来看看其升级版，也是目前用的比较多的Xgboost模型，建议先看上篇博客，再来看本篇会容易些当然了也希望去看一下集成学习这一大家族的整体框架https://blog.csdn.net/weixin_42001089/article/...

weixin_42001089
2018-12-12 18:14:06

 7736

 7

#boosting
【连续学习之Foster算法】2022年ECCV会议论文：Foster Feature boosting and compression for class-incremental learning

本文提出了一种名为FOSTER的新颖两阶段学习范式，用于类别增量学习，该范式通过动态扩展新模块来适应新类别，并通过网络结构蒸馏策略去除冗余参数和特征维度，以维持单一的主干模型。

Better Bench
2024-10-09 18:21:44

 2088

 25

#算法 #学习 #boosting
西瓜书学习笔记——Boosting（公式推导+举例应用）

Boosting是一种集成学习方法，AdaBoost通过迭代训练弱学习器，调整样本权重和学习率，优化指数损失函数，取得了广泛成功。实验结果表明，在预测人才录取问题上，AdaBoost相较于单一决策树具有更高准确度和泛化性能。

Nie同学
2024-01-23 19:08:27

 1651

 21

#学习 #boosting
Bagging、Boosting、Stacking的原理

Bagging、Boosting、Stacking是常见集成学习的形式，它们都是通过对多个学习器进行有机组合，达到比单个学习器性能更好的目标。

禺垣
2025-04-27 14:23:12

 1452

 10

#机器学习 #集成学习 #boosting +2
什么是直方图算法

直方图（Histogram）算法是一种优化决策树分裂点搜索效率的算法，被广泛应用于像 LightGBM这样的梯度提升决策树框架中。其核心思想是通过将连续特征的取值范围离散化为有限的区间（称为 bins），在这些区间上计算统计量以确定最佳分裂点。

正义的彬彬侠
2024-11-10 13:00:38

 2108

 28

#机器学习 #算法 #集成学习 +2
《XGBoost算法的原理推导》12-22计算信息增益（Gain）的公式公式解析

公式 (12-22) 计算了在分裂操作前后的损失减少量（信息增益），用于判断分裂操作的有效性。该公式包含了分裂后左右子节点的损失、分裂前父节点的损失，以及分裂操作的正则化成本。通过比较增益，XGBoost 能够选择最优的分裂点，构建出高效的决策树，从而提升模型的性能和泛化能力。

正义的彬彬侠
2024-11-08 12:06:47

 2051

 19

#机器学习 #集成学习 #boosting +2
关于集成学习算法的概述（Bagging、Boosting、Stacking、Blending）

近几年，集成学习（Ensemble Learning）在国内外研究以及数据科学竞赛中被广泛提及和应用，它是通过某种结合策略将多个单一模型结合起来得到一个强模型，这个强模型通常比单一模型有更强的性能。目前，集成学习模型的分类主要是根据个体学习器之间的关系进行区分，常用集成学习框架包括：Bagging、Boosting以及Stacking。

卖山楂啦prss
2022-10-16 21:56:41

 2785

 4

#算法 #集成学习 #boosting
什么是CatBoost

CatBoost（Categorical Boosting）是由Yandex开发的一种基于决策树的梯度提升算法，专为处理分类特征（Categorical Features）和提高模型的速度与精度而设计。CatBoost通过改进传统的梯度提升方法（如XGBoost、LightGBM）解决了一些常见的问题，同时对默认参数进行了高度优化，使得即使在不进行调参的情况下也能获得较好的性能。

正义的彬彬侠
2024-11-11 18:29:00

 2365

 5

#机器学习 #集成学习 #boosting +1
模型融合model fusion与模型聚合model ensemble：提升机器学习性能的艺术

本文介绍模型融合model fusion与模型聚合model ensemble：提升机器学习性能的艺术

 诸神缄默不语
2024-03-29 11:08:50

 1w

 15

#机器学习 #人工智能 #深度学习 +1
LightGBM模型中LGBMClassifier.fit()函数early_stopping_rounds参数报错

LightGBM模型新版本训练时early_stopping_rounds报错：LGBMClassifier.fit() got an unexpected keyword argument 'early_stopping_rounds'，是由于fit函数移出了此参数，需要通过 ‘callbacks’ 参数来传递

 正义的彬彬侠
2024-11-10 23:18:20

 2678

 4

#机器学习 #集成学习 #boosting +1
XGBoost算法Python代码实现

这段代码实现了一个基础的 XGBoost 算法，涵盖了梯度提升的核心逻辑和分类预测流程。尽管与正式的 XGBoost 实现相比有所简化，但它提供了一个清晰的框架，适合用于理解 XGBoost 的原理和实现方式。在实际应用中，可以根据需求扩展功能，提升模型性能和效率。

正义的彬彬侠
2024-11-09 16:36:30

 2851

 37

#机器学习 #python #numpy +3
学会用这个命令行命令，告别狂按按键进入BIOS的烦恼！

学会用这个命令行命令，告别狂按按键进入BIOS的烦恼！

海拉鲁利特村放风
2024-09-18 17:19:44

 7461

 9

#boosting #windows
机器学习——XGBoost原理笔记

XGBoost 算法笔记（自用）

一纸枫叶.
2023-02-08 18:01:04

 1.1w

 9

#决策树 #算法 #boosting
XGBoost 极限提升树 (Extreme Gradient Boosting）（一）

XGBoost的基本程序实现和重要参数解析。

Wing以一
2022-11-29 18:49:34

 4795

 3

#python #boosting #集成学习
机器学习之Boosting和AdaBoost

boosting算法是一类将弱学习器提升为强学习器的集成学习算法，它通过改变训练样本的权值，学习多个分类器，并将这些分类器进行线性组合，提高泛化性能。

AI医疗
2023-07-27 18:59:49

 1989

 4

#机器学习 #boosting #人工智能
如何在 Java 中将 InputStream 读取/转换为字符串？

如果您有一个 java.io.InputStream 对象，您应该如何处理该对象并生成一个 String？假设我有一个包含文本数据的 InputStream，并且我想将其转换为 String，例如，我可以将其写入日志文件。获取 InputStream 并将其转换为 String 的最简单方法是什么？

火星来客2019
2022-12-11 12:46:49

 7101

 3

#rxjava #boosting #iot +2
GBDT、XGB、LGB原理、差异、面试

xgboost,lightboost,gbdt原理复习

 seetimee
2023-04-12 16:17:37

 4854

 4

#机器学习 #决策树 #python +1
Boosting算法

它首先使用一个基本分类器（如决策树、支持向量机等）对样本进行分类，然后根据分类结果对错分样本的权重进行调整，使错分样本的权重增加，而正确分类样本的权重减少。使得之前弱学习器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的羽学习器2中得到更多的重视。然后基于调整权重后的训练集来训练弱学习器2.，如此重复进行，直到弱学习器数达到事先指定的数目T，最终将这T个弱学习器通过集合策略进行整

 浪漫的诗人
2023-05-25 20:50:50

 2814

 1

#算法 #boosting #机器学习
梯度提升决策树(Gradient Boosting Decision Tree，GBDT)

文章目录总结综述一、Regression Decision Tree：回归树二、Boosting Decision Tree：提升树算法三、Gradient Boosting Decision Tree：梯度提升决策树四、重要参数的意义及设置五、拓展总结回归树：用均方误差的最小二乘法作为选择特征、划分树节点的依据，构造回归树提升树：迭代多颗回归树，新树以上一棵树的残差来构造。最终结果是树相同位置节

 ywm_up
2021-11-11 10:49:33

 1.1w

 4

#决策树 #boosting #机器学习
Adaboost算法详细讲解

Adaboost(Adaptive Boosting):Adaboost是Boosting模型，和bagging模型（随机森林）不同的是：Adaboost会构建多个若分类器(决策树的max_depth=1)，每个分类器根据自身的准确性来确定各自的权重，再合体。同时Adaboost会根据前一次的分类效果调整数据权重。具体说来，整个Adaboost 迭代算法分为3步：1. 初始化训练数据的权值分布。如

 MLPlatform
2022-12-05 14:10:36

 6625

 5

#算法 #决策树 #boosting +1
GBDT 梯度提升树（Gradient Boosting Decision Tree）长篇全解

GBDT梯度提升树

 Wing以一
2022-11-21 12:02:07

 1w

 6

#boosting