关于训练数据为什么这么划分？
来源：13-7 Stacking
慕函数4135502
2019-02-27
老师您好，您也提到了，Stacking这种方法非常像神经网络，那么它的训练为什么不像神经网络一样，直接将所有的训练数据直接用于第一层的输入，在最后一层拟合所有样本的输出？将样本数据集这么划分的道理是什么呢？
写回答
1回答
-
liuyubobobo
2019-02-28
Stacking的每一层训练的模型，需要新的数据集进行预测，通过预测的结果和新的数据集的真值，才能得到下一层模型。如果没有数据集，无法训练下一层模型：）
也可以参考这里，仔细理解我们分出来的数据到底有什么用。如果没有这个数据会怎样？https://coding.imooc.com/learn/questiondetail/47635.html
或者，具体按照你的思路，尝试一下不区分数据集，实现一下Stacking的思想，看看有什么问题：）
P.S. 神经网络解决这个问题的方式是大名鼎鼎的反向传播算法，而这个算法在神经网络的思想踢出来以后，又经过了十几年才被发明出来。如果有兴趣，自学一下神经网络，仔细体会一下这两种算法的区别是什么。（虽然都是多层网状结构）。仔细理解一下，神经网络为了在每一层不使用新的数据，新添加了什么机制（或者什么假设）。这些新的机制和假设，就是我们真正要实现神经网络要着重学习的，可能要讲两三章的内容才能讲清楚。而对于Stacking，如果你真正理解了的话，不需要引入任何新的内容，已经能实现出来了：）
加油！：）
022019-02-28
相似问题
交叉验证的疑惑
回答 1
为什么要用交叉验证？
回答 1