待验证50% 置信事实精确时间

集成学习的理论基础来自偏差-方差权衡，通过组合多个互相独立的学习器可以在保持偏差的同时大幅降低方差

1

来源数

50%

置信度

长期有效

时效性

2026/7/15

首次发现

来源

LLM陪审团：多模型投票如何构建可靠元数据

相关事实

待验证端到端联合训练相比模块化串联架构能避免误差逐级累积，是复杂环境下表现更优的根本原因73% 相似待验证集成学习（Ensemble Learning）通过组合多个基学习器来提升整体预测性能73% 相似待验证PAC学习理论和VC维为理解泛化提供了理论框架，模型复杂度越高在训练集上拟合越好但泛化能力可能下降，即偏差-方差权衡71% 相似待验证集成学习的主要流派包括Bagging（降低方差）、Boosting（降低偏差）和Stacking71% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/513807

API

curl https://kongchang.com/api/v1/knowledge/claims/513807

MCP

get_claim(id=513807)