误差-分歧分解 Error-ambiguity decomposition

误差-分歧分解指将集成后的泛化误差分解开的过程,可以用下式表示:

{E= \overline {E}- \overline {A}}

该式中左边 E 表示集成后的泛化误差,右侧 {\overline {E}} 是个体学习器的平均泛化误差, {\overline {A}} 表示个体学习器的集成分歧,从该式可以得出结论:个体学习器的准确性越高、多样性越大,集成效果越好。

参考来源

【1】一起来读西瓜书:第八章   集成学习