Ensemble learning(集成學習)

二進制通訊時使用vote避免丟失

做法
假設我們有多個模型(假設3個)，每個模型準確率都大於50%(假設80%)，而每個模型之間都會存在差異，那麼我們混合模型，分類問題使用每個模型投票(vote)多數作為預測結果、而回歸問題使用平均(avg)作為預測結果，如此一來我們的模型不會比原來最低準確率的模型的差，但有可能讓模型準確率更高。

Bagging(bootstrap aggregating)

做法
我們有一個樣本池有N個樣本，我們從樣本池中取N'次，每一次的取出的樣本都會放回樣本池中(表示會抽到重複的樣本)，然後我們做C次得到C組樣本，我們分別以4個相同或不同的模型進行訓練，然後預測時使用投票或平均作為預測結果，通常會比只使用一個模型時效果還要來的好，模型比較robust。
使用時機
在模型容易overfitting的時候，使用Bagging。
因為我們把數據分成多個子集，分別從各個子集訓練後使用投票或平均作為預測結果，所以結果會比較平滑，比較不會overfitting，因為噪聲可能會在投票或平均被忽視掉。

Boosting

使用時機
在模型underfitting的時候，使用Boosting。

AdaBoost

AdaBoost方法對於噪聲數據和異常數據很敏感。
AdaBoost方法的自適應在於：前一個model分錯的樣本讓判斷錯誤的train data提高權重，被用來訓練下一個model，我們在loss function上乘上一組weight，錯誤的資料有更高的weight，使得錯誤的資料有更高的loss。

$\varepsilon$ 代表錯誤率
$Z$ 代表樣本數 $(例如: u_1^1=0.4 , u_1^2=1,Z=1.4 表示共有1.4筆樣本 )$

我們第一個(model $( f_1 )$ )錯誤率小於0.5，我們要找一個 $u_2$ 使得model $( f_1 )$ 錯誤率等於0.5，我們使用model $( f_2 )$ 來訓練這組新weight的資料(資料本身沒改變我們只是在loss function乘上一個每一筆資料對應的weight)，然後model $( f_2 )$ 的錯誤率會小於0.5，就這樣可以重複的做下去，直到你想訓練的model數量。