AI遮天传 ML-集成学习_two heads are better than one — a very brief intro(1)

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

这些模型会大不相同，但它们的效果可能很差。

解决办法: 拔靴采样（Bootstrap sampling）

• 给定集合 D ，含有 m 训练样本；
• 通过从D中均匀随机的有放回采样m个样本构建 Di ；
• 希望 Di 会 遗漏掉 D 中的某些样本。

Bagging 算法

For t = 1, 2, …, T Do

• 从S中拔靴采样产生 Dt
• 在 Dt 上训练一个分类器Ht

最后，分类一个新的样本x∈X 时，通过对 Ht 多数投票(等权重)。

比如我们从大集合S中放回采样T组，每组样例都有自己的训练值ci，来了一个新的样本x，我们对每个ci(x)进行输出投票。

数据集: Rousseeuw 和 Leroy (1986)，臭氧含量 vs. 温度。 100 拔靴采样样本。

灰色线条: 初始的10个预测器; 红色线条: 平均。

Breiman “Bagging Predictors” Berkeley Statistics Department TR#421, 1994。

给定样例集S，Breiman重复下列工作100次报告平均结果:

方法 I:

1. 把 S 随机划分成测试集 T(10%) 和训练集 D (90%)
2. 从D中训练 决策树 算法，记 eS 为它在测 试集 T 上的错误率

方法 II:

重复50次: 生成拔靴采样集合Di ， 进行决策树学习，记 eB 为决策树多数投票在测试 集T上的错误率 （集成大小 = 50）

同样的实验，但使用最近邻分类器 （欧式距离)

发生了什么? 为什么 ?

Bagging：讨论

Bagging 在学习器“不稳定”时有用，关键是预测方法的不稳定性。

E.g. 决策树、神经网络

为什么？

• 不稳定: 训练集小的差异可以造成产生的假设大不相同。
• “如果打乱训练集合可以造成产生的预测器大不相同，则bagging算法可以提升其准确率。” (Breiman 1996)

总结

加权多数算法

• 相同数据集， 不同学习算法
• 产生多个模型，加权融合

Bagging

• 一个数据集， 一个弱分类器
• 生成多组训练样本 来训练多个模型，然后集成。

四、Boosting

是否有一个集成算法能够考虑学习中数据的差异性？

基本想法–从失败中学习

• 给每个样本一个权值
• T 轮迭代，在每轮迭代后增大错误分类样本的权重。          – 更关注于“难”样本

AdaBoost

简而言之：少数提升，多数降低。

AdaBoost.M1

此时做错的一定是少数派，我们把正确的降低权重(β<1, 归一化)，重复t轮融合，去新的权重log(1/β)

我们不停地更新权重w1,w2…wT，把每一个分类器(带着自己权值)融合在一起，来一个新的样本时加权计算。

例如：

最终假设

AdaBoost在实际使用时的优点

1. 快
2. 简单 + 易编程实现
3. 只有一个参数要调 (T )
4. 没有先验知识
5. 灵活: 可以和任何分类器结合(NN, C4.5, …)
6. 被证明是有效的 (尤其是弱学习器)
7. 转变了思路: 现在目标是 仅仅需要寻找比随机猜测好一些的假设就可以了

AdaBoost注意事项

性能依赖于 数据 & 弱学习器

在下列情况中使用AdaBoost会 失效

• 弱学习器 太复杂 (过拟合)
• 弱学习器 太弱 (αt ->0 太快),
  • 欠拟合
  • 边界太窄->过拟合

过去的实验表明，AdaBoost 似乎 很容易受到噪声的影响

五、讨论

Bagging vs. Boosting

训练集合

• Bagging: 随机选择样本， 各轮训练集相互独立
• Boosting: 与前轮的学习结果有关，各轮训练集并不独立

预测函数

• Bagging: 没有权重; 便于并行
• Boosting: 权重变化 呈指数; 只能顺序进行

效果

• 实际中，bagging几乎总是有效。
• 平均地说，Boosting比bagging好一些，但boosting算法也较常出现损害系统性能的情况。
• 对稳定模型来说bagging效果不好，Boosting可能仍然有效。
• Boosting 可能在有噪声数据上带来性能损失，Bagging没有这 个问题。

重新调权 vs. 重新采样

• Reweighting 调整样本权重可能更难处理
  • 一些学习方法无法使用样本权重
  • 很多常用工具包不支持训练集上的权重
• Resampling 我们可以重采样来代替:
  • 对数据使用boostrap抽样，抽样时根据每个样例的权值确定其被抽样的概率
• 一般重新调权效果会更好一些但重新抽样更容易实现

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取

67262070)]
[外链图片转存中…(img-6WcDmsMR-1715667262070)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上大数据知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

需要这份系统化资料的朋友，可以戳这里获取