References：

• 机器篇——集成学习(三) 细说 提升(Boosting) 算法
• 集成学习-Boosting,Bagging与Stacking
• 梯度提升（Gradient Boosting）算法
• 机器篇——集成学习(五) 细说 梯度提升(Gradient Boost)算法

【Boosting 工作机制】

Boosting 算法（提升算法）是将弱学习器提升为强学习器的一族算法，其基本工作机制是：

References：

• 【机器学习】Bagging算法
• 机器学习中的集成方法（2）—Bagging（装袋法）
• 机器篇——集成学习(一) 细说 Bagging 算法
• [机器学习基础复习] 随机森林(Random Forest)
• 机器篇——集成学习(二) 细说 随机森林(Rondoom Forest) 算法

【引入】

对于集成学习来说，要想得到泛化性能较好的集成，个体学习器应尽可能的相互独立，虽然无法在实际应用中做到，但可以设法令个体学习器尽可能的具有较大的差异

References：

• 【机器学习】西瓜书集成学习的误差-分歧分解公式推导
• 集成学习多样性的数学分析 —— 误差分歧分解

【误差-分歧分解】

单一样本

【结合的好处】

在产生了个体学习器后，需要考虑如何结合这些个体学习器，即结合策略

学习器的结合可能会从三方面带来好处：

References：

• 经典机器学习系列之【集成学习】
• 机器学习 | 基础通俗讲解集成学习算法！
• 集成学习三大法宝-bagging、boosting、stacking

【集成学习】

Kearns 和 Valiant 提出了强可学习和弱可学习的概念，即在概率近似正确（Probably Approximately Correct，PAC）学习框架中，一个概念如果存在一个多项式学习算法能够学习它，且正确率很高，那么就是强可学习（Strongly Learnable）的，一个概念如果存在一个多项式学习算法能够学习它，但正确率仅比随机猜测略好，那么就是弱可学习（Weakly Learnable）的

【外在损耗】

弯曲损耗

弯曲损耗发生在光缆的弯曲半径比光缆最小弯曲半径还要小的情况

【传输脉冲时延法】

在光纤中的光速 $V=\frac{c}{n}$，其中 $c=3\times 10^8m/s$ 为真空中光速，$n$ 为平均折射率

设光脉冲经长度为 $L$，经过平均折射率为 $n$ 的光纤传输后，其传输时延为 $D_t$，则长度

【接线图测试】

概述

接线图测试是布线链路有无终接错误的一项基本检查，目前使用 DSP4000 测试仪进行测试，通过测试仪显示出的接线图来确定每条 8 芯电缆与配线模块接线端的连接实际状态

【验证测试】

验证测试又叫随工测试，是在施工过程中为了确保布线工程的施工质量，边施工边测试，主要是检测线缆的质量和安装工艺，及时发现并纠正问题，避免返工

验证测试不需要使用复杂的测试仪，只需要使用简单的测试设备测试接线通断、线缆长度及接线图等物理性能