boosting
时间：2026-10-27 03:56:03来源：Boosting 是一种集成学习方法，通过组合多个弱模型来提升整体预测性能。其核心思想是逐步修正前一个模型的错误，最终形成一个强模型。常见的 boosting 算法包括 AdaBoost、GBDT 和 XGBoost。
| 项目 | 内容说明 |
| 定义 | 集成学习方法，提升模型性能 |
| 原理 | 逐步修正错误，加权组合模型 |
| 特点 | 迭代训练，关注错误样本 |
| 常见算法 | AdaBoost、GBDT、XGBoost |
| 优点 | 准确率高，适应性强 |
| 缺点 | 计算成本高，易过拟合 |
Boosting 在分类和回归任务中广泛应用，尤其适合数据复杂、特征多的场景。
展开更多
标签：
