как раз на картинке показано, спс

по идее, cb не смещенный (т.к. достаточно capacity модель), поэтому над ним можно это провернуть

Если грубо представить прогноз дерева как одинаково распределенные случайные величины, то

D( (X1+...+Xn)/n )=n*DX/n2=DX/n

в предположении взаимной независимости, иначе ещё корреляция добавляется

да, согласен, ну думаю специфичным построением деревьев корреляция там сводится к минимуму в случайном лесе

Может не ноль, но около того

но это - уменьшение дисперсии в модели можно рассматривать относительно только вроде одной этой самой модели, если сравнивать модели между собой, то вот ансамбли могут и относительно одиночной модели повышать дисперсию получается, а ошибка общая уменьшается. Поэтому в первую очередь нужно на величину ошибки смотреть, а потом если она одинаковая - сравнивать дисперсии. Так что ли выходит. Вот на нижнем рисунке, ансамбль из простых линейных моделей

если вы говорите, что дисперсия увеличивается, а ошибка уменьшается, то это может быть вызвано только одним -- уменьшением смещения. Рассмотрим теперь тот же случайный лес. У решающих деревьев и без того смещение очень низкое и их ансамблирование никак на него не влияет. Расходится как-то с вашей логикой

по-видимому, разговор о разном ансамблировании, в RF и  GB - немного разные идеи

нет я не про то, просто ошибка у каждого алгоритма своя, скажем вот если я использую ансамбль, то и нужно смотреть про дисперсию в этом ансамдбле нельзя ее сравнивать с дисперсией в другом алгоритме, допустим простой регрессии. Или Можно только в том случае, если абсолютное значение ошибок предсказаний ну мае допустим близки или совпадают

да, но мы ведь говорим о блендинге сидов, а это по сути и есть идея из случайного леса

ну конечно да и ансамбли разные бывают

просто рисунок снизу - это ансамбль линейных моделей по методу GB

ошибка

В скобках t нужно писать в питоне 3

Print (t)

Кстати, там подсказка внизу. Did you mean print (t)?

Извините, но почему бы не прочитать сообщение?

Ого. Как агрессивно.

ее как читают?