Bagging Boosting and C4.5 集成分类算法比较

对流行的boosting算法的通俗易懂的介绍

基于Boosting算法的高斯过程集成建模方法

基于C4.5算法的BBS反垃圾内容分析，宋鉴，王枞，随着互联网的高速发展，不同形式的网站也大量涌现。同时，在经济利益的驱使下，垃圾网页也日益增多，如何提高用户检索信息的质量

通过数据挖掘技术可以挖掘出隐藏在大量数据背后的信息，企业才能对客户进行细分，预测客户行为和做出正确的决策．文章在数据挖掘常用技术的基础上，提出了其在CRM 中的应用模型，并基于C4．5算法，对数据挖掘

Bagging算法在中文文本分类中的应用

Boosting with AdaBoost and Gradient Boosting ，集成学习比较，by Diogo Menezes Borges。

资料用代码实现了决策树C4.5算法,能让你对C4.5有一个全新的理解

集成学习是通过集成多个基分类器共同决策的机器学习技术，通过不同的样本集训练有差异的基分类器，得到的集成分类器可以有效地提高学习效果。在基分类器的训练过程中，可以通过代价敏感技术和数据采样实现不平衡数据

模糊决策树在数据模糊化时，需要确定每个数量型属性的模糊语言项个数。另一方面，集成分类算法已成为提高模型准确率和稳定性的有效策略。提出了一种基于混沌布谷鸟（CCS）优化的FDT集成分类算法，首先用CCS

针对概念漂移数据流集成分类算法的基本概念、相关工作、适用范围及优缺点等方面进行具体阐述，重点分析突变型、渐变型、重复型和增量型集成分类算法，以及集成分类中的Bagging、Boosting、基分类器组