0403高级算法梳理——随机森林算法梳理

一、集成学习的概念

  集成学习（ensemble learning）通过构建并结合多个学习器来完成学习任务，有时也被称为多分类系统。

  上图显示出集成学习的一般结构：先产生一组“个体学习器”，再用某种策略将它们组合起来。个体学习器通常由一个现有的学习算法从训练数据中产生，例如C4.5决策树算法、BP神经网络算法。

  集成学习通过将多个学习器进行结合，常常可以获得比单一学习器具有显著优越的泛化性能，这个对于弱学习器尤为明显。
  如何获得一个好的集成学习器呢？每个个体学习器具有一定的准确性（每个学习器不能太坏）和多样性（每个学习器之间存在差异） 。
  集成学习方法可以分为两大类：
    一是个体学习器间存在强依赖关系、必须串行生成序列化方法，代表有Boosting算法；
    二是个体学习器之间不存在强依赖关系、可同时生成的并行化方法，代表有Bagging和随机森林（Random Forest）。

• 序列集成方法，其中参与训练的基础学习器按照顺序生成（如AdaBoost）。序列方法的原理是利用基础学习器之间的依赖关系。通过对之前训练中错误标记的样本赋值较高的权重，可以提高整体的预测效果。
• 并行集成方法，其中参与训练的基础学习器并行生成（如Random Forest）。并行方法的原理是利用基础学习器之间的独立性，通过平均可以显著降低错误。

二、个体学习器概念

个体学习器：通常由一个现有的学习算法从训练数据产生。
同质集成中由类型相同的个体学习器组合而成，同质集成中个体学习器可称为基学习器
异质集成中由类型不相同的个体学习器组合而成，异质集成中个体学习器可称为“组件学习器” 或直接称为“个体学习器”。

三、boosting bagging

http://www.cnblogs.com/liuwu265/p/4690486.html
  bagging和boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个更强大的分类器，即将弱分类器组装成强分类器。
bagging(并行式集成学习方法)
A）从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping(自助法，有放回抽样方法)的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
B）每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
C）对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

boosting<