自然语言处理算法之集成算法基础以及boosting与bagging简介

在机器学习和统计学习中，集成学习(Ensemble Learning)是一种将多种学习算法组合在一起以取得更好表现的一种方法，机器学习下的集成学习主要是指有限的模型相互组合，而且可以有很多不同的结构，在自然语言处理过程中，特别是文本分类，很多时候集成学习的表现相对于其它的学习方法要好很多。

1个体与集成

集成学习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器系统、基于委员会的学习等。

如上图所示，为集成学习的一般结构：先产生一组“个体学习器”，再用某种策略将他们将它们结合起来，个体学习器通常由一个现有的学习算法从训练数据产生，例如C4.5决策树算法，BP神经网络算法等。此时集成中只包含同种类型的个体学习器，例如“决策树集成”中全是决策树，“神经网络集成”中全是神经网络，这样的集成就是“同质”的。同质集成中的个体学习器也称为“基学习器”，相应的学习算法称为“基学习算法”，集成也可包含不同类型的个体学习器，例如同时包含决策树和神经网络，这样的集成是“异质”的。异质集成中的个体学习器由不同的学习算法生成，这时就不再有基学习算法，相应的，个体学习器一般不称为基学习器，常称为“组件学习器”或直接称为个体学习器。

集成学习通过将多个学习器进行结合，常可获得比单一学习器显著优越的泛化性能。这对“弱学习器”尤为明显，因此集成学习的很多理论研究都是针对弱学习器进行的，而基学习器有时也被直接称为弱学习器，但需要注意的是，虽然从理论上来说使用弱学习器集成足以获得好的性能，但实践中出于种种考虑，例如希望使用较少的个体学习器，或是重用关于常见学习器的一些经验等，人们往往会使用比较强的学习器。

在一般经验中，如果把好坏不等的东西掺在一起，那么通常结果会是比最坏的要好一些，比最好的要坏一些，集成学习把多个学习器结合起来，如何能获得比最好的单一学习器更好的性能呢？