课程

Python 中的集成方法

高级更新时间 10/2025

学习如何使用 bagging、boosting 和 stacking 等集成技术，在 Python 中构建高级且高效的机器学习模型。

免费开始课程

Python4 小时15 个视频52 个练习4,050 XP13,049成就证明

深受数千家公司学习者的喜爱

要培训团队？

试用企业版 →

课程简介

继续您的机器学习之旅，深入学习精彩的集成学习方法吧！这类技术会将多个独立算法结合起来，以提升性能，并在各行业的大规模问题中发挥作用。集成技术也经常在各类线上机器学习竞赛中夺冠！在本课程中，您将系统学习这些高级集成技术，如 bagging、boosting 和 stacking。您还会使用 scikit-learn、XGBoost、CatBoost 和 mlxtend 等前沿 Python 机器学习库，将它们应用到真实数据集上。

先修要求

Linear Classifiers in Python Machine Learning with Tree-Based Models in Python

课程体系

课程大纲

1

组合多个模型

是否总为挑选哪个模型最适合您的问题而发愁？不必再纠结了——把它们都用上吧！本章将学习如何用 "Voting" 和 "Averaging" 将多个模型合并为一个模型。您将用它们来预测 Google Play 商店应用的评分、某个 Pokémon 是否为传说级，以及《权力的游戏》中哪些角色会死亡。

2

Bagging

Bagging 是随机森林等强大机器学习算法背后的集成方法。本章将讲解该技术的原理，并带您使用 scikit-learn 构建自己的 bagging 模型。

3

Boosting

Boosting 是一类集成学习算法，其中包括多次获奖的 AdaBoost 模型。本章将介绍这一广受认可的模型，并用它来预测屡获殊荣电影的票房收入。同时，您还将学习 CatBoost 与 XGBoost 等梯度提升算法。

4

Stacking

准备看看如何"堆叠"取胜吧！在最后一章中，您将学习 stacking 集成方法。您会了解如何用 scikit-learn 实现它，以及如何借助 mlxtend 实现。随后，您将把 stacking 应用于预测北美蘑菇的可食用性，并用这一更高级的方法重新评估 Google 应用的评分。

Python 中的集成方法

课程已完成

获得成就证明

通过 DataCamp 移动版提升您的数据技能

借助我们的移动课程和每日 5 分钟编程挑战，随时随地取得进步。