提升算法 vs 堆疊集成
Boosting vs Stacking
提升算法 側重 Boosting 是一種集成學習技術，透過迭代訓練一系列弱學習器，每個學習器都試圖糾正前一個學習器的錯誤，最終將它們組合起來形成一個強學習器。，而 堆疊集成 側重 多層集成架構，用多個基礎模型的輸出作為新特徵訓練元模型，捕捉基礎模型的複雜交互。。
逐項比較
| 項目 | 提升算法 | 堆疊集成 |
|---|---|---|
| 一句定義 | Boosting 是一種集成學習技術，透過迭代訓練一系列弱學習器，每個學習器都試圖糾正前一個學習器的錯誤，最終將它們組合起來形成一個強學習器。 | 多層集成架構，用多個基礎模型的輸出作為新特徵訓練元模型，捕捉基礎模型的複雜交互。 |
| 常見標籤 | 機器學習、模型訓練、模型評估、統計方法、最佳化、特徵工程、模型部署、Python程式、iPAS中級 | 機器學習、集成學習、堆疊、元模型、Kaggle |
| iPAS 關聯度 | 未知 | 未知 |
| 考生最常問 | Boosting 一定比其他方法好嗎？ | Stacking 為什麼要用 K-Fold 生成元特徵，而不是直接用基礎模型在全資料上的預測？ |