• 要完成一件具有富有挑戰性且複雜的工作，是「孤軍奮戰」還是「團隊合作」來得輕鬆且容易完成目標。相信如果讓您選擇，應該會選擇後者。好比您現在準備要參加學測，如果有二個選擇讓你選，一個是獨自一人訂定考試計畫，自己唸書。一個則是有個讀書會，有幾個同學參加，大家可以彼此鼓勵，加油打氣，在特定的時間，還可以彼此討論讀書心得，互相指導彼此不熟悉的地方，進步了會得到稱讚，退步了會得到同學的幫助找出痛點，成績進步的幅度還會比較明顯。相信大家會選擇團隊合作。工作上，也是如此，你不是一個人，是要跨部門互相溝通，彼此協調合作，工作才有可能順利完成。

• ML的集成演算法：ensemble learning，就是這個概念，單純只使用一種分類演算法的效能，絕對不會比用多個演算法計算出來的成果佳。

• 今天我們要談的是：

• ensemble learning的種類：袋裝法bagging，強化法boosting

• 袋裝法bagging的原理：

  • 原理和random forest是由許多棵的decision tree來的類似，是採用隨機取出放回「replacement」。而random forest就是bagging的一種。

• 袋裝法bagging的程式碼：

from sklearn.ensemble import BaggingClassifier
from sklearn.metrics import precision_score
tree = DecisionTreeClassifier(criterion='entropy', random_state=18, max_depth=10)
BaggingClassifier(base_estimator=tree, n_estimators=200)

y_train_pred = tree.predict(X_train)
y_test_pred = tree.predict(X_test)

tree_train = precision_score(y_train, y_train_pred)
tree_test = precision_score(y_test, y_test_pred)

• 在入descion tree model。

• n_estimators=200，max_depth=10，用200棵高度為10的決策樹

• 強化法boosting，我們介紹Adaboost，其原理：

• 對於複雜很難的分類datasets，我們讓眾多的分類演算法，從誤判樣本中學習，藉此提高整體效能。


• Adaboost 程式碼：

from sklearn.ensemble import AdaboostClassifier

tree = DecisionTreeClassifier(criterion='entropy', random_state=18, max_depth=10)
AdaboostClassifier(base_estimator=tree, n_estimators=200,random_state=18)

• 接下來，到了快結束尾聲，我們將會補充ML的相關知識，並簡單介紹NLP與DL，讓同學有個概念，敬請期待。