面试题库 › 算法 / 大模型 › 集成学习(Ensemble)的思想与常见方法

集成学习(Ensemble)的思想与常见方法

难度 ★★☆在 1 场真实面经中被问到 方向:算法 / 大模型考点:树模型与集成学习

哪些公司问过

阿里巴巴、腾讯、滴滴、字节跳动1

常见岗位:计算机视觉

答案要点

  1. 定义:组合多个基模型的预测,提升准确性与稳定性,前提是基模型有一定准确度且相互有差异
  2. Bagging:有放回采样并行训练,投票或平均,主要降低方差,代表随机森林(再加特征随机)
  3. Boosting:串行训练,后一个模型拟合前面的错误或残差,主要降低偏差,代表AdaBoost、GBDT、XGBoost
  4. Stacking:第一层多个异质模型,第二层元模型学习组合,元特征用K折的折外预测生成
  5. 简单融合方式还有硬投票、软投票(平均概率)和加权平均

易错点

面试官常见追问

完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。

相关面试题