回归任务最常使用的性能度量是(___)。

关于Boosting，Bagging和随机森林，以下说法错误的是

个体学习器（），则集成越好

标准AdaBoost只适用于（）任务

Bagging是并行式集成学习方法最著名的代表，它直接基于

Boosting算法要求基学习器能对特定的数据分布进行学习，可通过（）实施，对无法接受带权样本的基学习算法，则可通过（）来处理

Boosting是一可将弱学习器提升为强学习器的算法，最著名的代表是

根据（），目前的集成学习方法大致可分为两大类，即个体学习器间存在强依赖关系、必须串行生成的序列化方法，以及个体学习器间不存在强依赖关系、可同时生成的并行化方法。

随着集成中个体分类器（相互独立）数目T的增大，集成的错误率将呈（）下降，最终趋向于零

关于Boltzmann描述错误的是

关于级联相关网络描述错误的是