基于集成学习方法的MINIST手写数字识别

摘要

集成学习是完成机器学习任务的一种重要方法.整体来讲,集成学习的思想是把多个弱监督模型以一定的规则组合起来,从而综合多个弱分类器的优点,来得到一个鲁棒性更强,预测效果更好,更强大的监督模型.本文对MINIST手写数字公开数据集,采用了KNN、逻辑回归等模型分别作为BAGGING集成学习方法的弱分类器训练了两个强学习器以及基于决策树的ADABOOST集成学习模型,来进行MINIST手写数字识别.分别对三个模型的性能差异做出对比,分析了各种模型的优缺点.