1700539508
．
1700539509
1700539510
（11.9）
1700539511
1700539512
1700539513
1700539514
这就是说是以的概率成立的：
1700539515
1700539516
1700539517
1700539518
1700539519
1700539520
1700539521
当T=2时，成立的概率为0.875； 当T=3时，成立的概率为0.975； 当T=4时，成立的概率为0.992。 可以看到，当Δ取值为时，回报的均值距离真实回报 p的差距在Δ范围内的概率已经非常接近1了，因此Δ的取值是一个非常合适的“置信区间上界”。我们乐观地认为每道菜能够获得的回报是+Δ，既利用到了当前回报的信息，也使用“置信区间上界”进行了探索。
1700539522
1700539523
·总结与扩展·
1700539524
1700539525
如果读者对探索和利用问题有兴趣，可以继续探究一下基于贝叶斯思想的Thompson Sampling，和考虑上下文信息的LinUCB。
1700539526
1700539527
1700539528
1700539529
1700539530
百面机器学习：算法工程师带你去面试 [:1700532238]
1700539531
百面机器学习：算法工程师带你去面试 第12章 集成学习
1700539532
1700539533
面对一个机器学习问题，通常有两种策略。一种是研发人员尝试各种模型，选择其中表现最好的模型做重点调参优化。这种策略类似于奥运会比赛，通过强强竞争来选拔最优的运动员，并逐步提高成绩。另一种重要的策略是集各家之长，如同贤明的君主广泛地听取众多谋臣的建议，然后综合考虑，得到最终决策。后一种策略的核心，是将多个分类器的结果统一成一个最终的决策。使用这类策略的机器学习方法统称为集成学习。其中的每个单独的分类器称为基分类器。
1700539534
1700539535
俗语说“三个臭皮匠，顶一个诸葛亮”，基分类器就类似于“臭皮匠”，而之前介绍的很多复杂模型可以认为是“诸葛亮”。即使单一一个“臭皮匠”的决策能力不强，我们有效地把多个“臭皮匠”组织结合起来，其决策能力很有可能超过“诸葛亮”。而如何将这些基分类器集成起来，就是本章要讨论的重点。
1700539536
1700539537
集成学习不仅在学界的研究热度不减，在业界和众多机器学习竞赛中也有非常成功的应用。例如在Kaggle竞赛中所向披靡的XGBoost，就是成功应用集成学习思想的一个例子。
1700539538
1700539539
1700539540
1700539541
1700539542
百面机器学习：算法工程师带你去面试 [:1700532239]
1700539543
百面机器学习：算法工程师带你去面试 01 集成学习的种类
1700539544
1700539545
1700539546
1700539547
场景描述
1700539548
1700539549
集成学习是一大类模型融合策略和方法的统称，其中包含多种集成学习的思想。本题希望考察的是读者对于各主要集成学习方法的基本了解程度。
1700539550
1700539551
知识点
1700539552
1700539553
Boosting，Bagging，基分类器
1700539554
1700539555
问题 集成学习分哪几种？他们有何异同？
1700539556
1700539557
难度：★☆☆☆☆