利用Boosting树生成滑雪板特征

Question

我指的是上下文中的这个链接到使用树集的特征转换。

具体针对下面的代码部分，在链路的样本中，采用(1)利用增强树生成特征，然后利用LR进行训练，优于(2)使用Boosting树本身。问题，

1. 想知道在一般情况下，使用Boosting树来生成特征(并使用另一个分类器进行分类)是否比使用Boosting树进行分类本身更好？
2. 同时也想知道为什么用增强树来生成特征，然后用LR来训练，为什么比使用Boosting树本身更好呢？ GradientBoostingClassifier(n_estimators=n_estimator) grd_enc = OneHotEncoder() grd_lm = LogisticRegression() grd.fit(X_train，y_train) grd_enc.fit(grd.apply(X_train):，:，0) OneHotEncoder :，0)，y_train_lr)

Answer 1

有趣的来源是1和2，以及它们中的其他引用。

因此，要回答你的问题：

1. 非常笼统的陈述，从上述论文中的一些实验结果来看，似乎有一些例外。然而，大多数情况下，它确实提高了得分。
2. 这样做的主要思想是将特征映射到一个样本线性可分的空间中。如果真的是这样，那么线性分类器就会发光。