2018-08-02MultiBoosting由于集合了Bagging，Wagging，AdaBoost，可以有效的降低误差和方差，特别是误差。但是训练成本和预测成本都会显著增加。
Iterative Bagging相比Bagging会降低误差，但是方差上升。由于Bagging本身就是一种降低方差的算法，所以Iterative Bagging相当于Bagging与单分类器的折中。作者回复: 总结得很到位👍
2
2020-01-16有没有实际的实战例子，这样结合例子和理论，加深理解。- 2018-10-20如果对基于决策树的方法感兴趣的话，可以看Gilles Louppe的博士毕业论文Understanding Random Forest。个人觉得很有帮助
作者回复: 感谢推荐！
2018-08-18MultiBoosting如果不引入有泊松分布的权重来对样本作wagging，不知道在性能和效果上是否能比Adaboost达到更好的平衡。
Iterative Boosting方法的文章不好找，有没有更具体的称呼。
从实践中看，这几年GBDT，XGBoost，Random Forest太好用了。除了它们和基本的几类集成学习方法外，介绍其他的延伸集成学习方法通俗易懂，正确，且不只是概述的中文文章在学术领域之外很少。展开作者回复: Multiboosting相当于AdaBoost和wagging的结合，wagging的作用主要在于通过随机的样本权重扰动降低方差。去掉wagging也就是普通的AdaBoost了。
你说的是iterative bagging吗？可以参考2001年Leo Breiman的论文Using iterated bagging to debias regressions。这种方法也叫adaptive bagging，诞生快20年一直不温不火，没受到多少关注。
2018-08-03没看太懂，需要多次学习