集成学习的基本步骤

集成学习的基本步骤

集成学习一般可分为以下3个步骤。

（1）找到误差互相独立的基分类器。

（2）训练基分类器。

（3）合并基分类器的结果。

合并基分类器的方法有voting和stacking两种。前者是用投票的方式，将获得最多选票的结果作为最终的结果。后者是用串行的方式，把前一个基分类器的结果输出到下一个分类器，将所有基分类器的输出结果相加（或者用更复杂的算法
融合，比如把各基分类器的输出作为特征，使用逻辑回归作为融合模型进行最后的结果预测）作为最终的输出。

以Adaboost为例，其基分类器的训练和合并的基本步骤如下。

（1）确定基分类器：这里可以选取ID3决策树作为基分类器。事实上，任何分类模型都可以作为基分类器，但树形模型由于结构简单且较易产生随机性所以比较常用。

（2）训练基分类器：假设训练集为 { x i , y i } , i = 1 , . . . , N ， \{x_i,y_i\},i=1,...,N， {xi​,yi​},i=1,...,N，其中 y i ∈ { − 1 , 1 } y_i\boldsymbol{\in}\{−1,1\} yi​∈{−1,1}，并且有T个基分类器，则可以按照如下过程来训练基分类器。

1.初始化采分布
$$D_{\mathrm{l}}(i)=1/N$$
2.令$t=1,2,...,T$循环：

• 从训练集中，按照$D_t$分布，采样出子集 S t = { x i , y i } , i = 1 , … , N t ; S_{t}=\{x_{i},y_{i}\},i=1,\ldots,N_{t}; St​={xi​,yi​},i=1,…,Nt​;

• 用$S_t$训练出基分类器$h_t$；

• 计算$h_t$的错误率：
  $${\mathcal{E}}_t=\frac{{\sum }_{i=1}^{N_t}I[h_t(x_i)\ne y_i]D_t(x_i)}{N_t}$$
  其中$I[]$为判别函数；

• 计算基分类器$h_t$的权重：
  $$a_t=\log \frac{(1-{\mathcal{E}}_t)}{{\mathcal{E}}_t}$$

• 设置下一次采样
  $$D_{i+1}=\{\begin{array}{l}{D}_i(i)\text{或者}\frac{D_i(i)(1-{\epsilon }_i)}{{\epsilon }_i},h_i(x_i)\ne y_i;\\ \\ \frac{D_i(i){\epsilon }_i}{(1-{\epsilon }_i)},p_i(x_i)=y_i.\end{array}$$
  并将它归一化为一个概率分布函数。

（3）合并基分类器：给定一个未知样本$z$，输出分类结果为加权投票的结果$Sign(\sum _{t=1}^T{h}_t(z)a_t)$。

从Adaboost的例子中我们可以明显地看到Boosting的思想，对分类正确的样本降低了权重，对分类错误的样本升高或者保持权重不变。 在最后进行模型融合的过程中，也根据错误率对基分类器进行加权融合。错误率低的分类器拥有更大的“话语权”。

另一个非常流行的模型是梯度提升决策树，其核心思想是，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。

我们以一个视频网站的用户画像为例，为了将广告定向投放给指定年龄的用户，视频网站需要对每个用户的年龄做出预测。在这个问题中，每个样本是一个已知性别/年龄的用户，而特征则包括这个人访问的时长、时段、观看的视频的类型等。

例如用户A的真实年龄是25岁，但第一棵决策树的预测年龄是22岁，差了3
岁，即残差为3。那么在第二棵树里我们把A的年龄设为3岁去学习，如果第二棵树
能把A分到3岁的叶子节点，那两棵树的结果相加就可以得到A的真实年龄；如果第二棵树的结论是5岁，则A仍然存在−2岁的残差，第三棵树里A的年龄就变成−2岁，继续学。这里使用残差继续学习，就是GBDT中Gradient Boosted所表达的意思。

基分类器

基分类器的选择是集成学习主要步骤中的第一步，也是非常重要的一步。

最常用的基分类器是决策树，主要有以下3个方面的原因。

（1）决策树可以较为方便地将样本的权重整合到训练过程中，而不需要使用过采样的方法来调整样本权重。

（2）决策树的表达能力和泛化能力，可以通过调节树的层数来做折中。

（3）数据样本的扰动对于决策树的影响较大，因此不同子样本集合生成的决策树基分类器随机性较大，这样的“不稳定学习器”更适合作为基分类器。此外，在决策树节点分裂的时候，随机地选择一个特征子集，从中找出最优分裂属性，很好地引入了随机性。除了决策树外，神经网络模型也适合作为基分类器，主要由于神经网络模型也比较“不稳定”，而且还可以通过调整神经元数量、连接方式、网络层数、初始权值等方式引入随机性。

随机森林中的基分类器即为决策树。

这是随机森林属于Bagging类的集成学习。Bagging的主要好处是集成后的分类器的方差，比基分类器的方差小。Bagging所采用的基分类器，最好是本身对样本分布较为敏感的（即所谓不稳定的分类器），这样Bagging才能有用武之地。线性分类器或者K-近邻都是较为稳定的分类器，本身方差就不大，所以以它们为基分类器使用Bagging并不能在原有基分类器的基础上获得更好的表现，甚至可能因为Bagging的采样，而导致他们在训练中更难收敛，从而增大了集成分类器的偏差。