这一节讲如何将得到的feature或hypothesis组合起来用于预测。

       1. 林老师给出了几种方法

        

        在选择g时，需要选择一个很强的g来确保Eval最小，但如果每个g都很弱该怎么办呢

     这个时候可以选择Aggregation的方式将这些若g组合起来，组合起来的G，既能feature transform又能regularization这一对矛盾的性质。

     

    2.接着讲了用uniform blending的方式来classification或regression，并推导了使用uniform blending的好处：Eout更小

     

         接着解释了上述不等式的物理意义：一个算法的期望表现，等于consensus的表现加上consensus期望的偏差，通过uniform blending来消除variance。

         

     3.接下来讲的是linear blending.

        采用这种方式的一个问题是overfitting。对此，林老师的建议是，选择的时候，blending要在validation上做。

        

      下面仍然是介绍如何避免overfitting，可以用非线性model，但没听懂，泪。。。。

       

      4.接下来讲的是如何得到不同的g。

        

       接下来介绍了一种方法bootstrapping：为了得到不同的g，对数据资料进行放回抽取，对每小份资料进行学习得到g

       

 

      这位博主也总结了下，可参考：http://blog.csdn.net/lg1259156776/article/details/46821389