装袋算法-bagging简介
bagging也叫做bootstrap aggregating,是在原始数据集选择S次后得到S个新数据集的一种技术,是一种有放回的抽样。具体实现如下图所示:
bagging具体实例
从原始数据集中有放回的抽取10个数据集,共抽取3次。
bagging
其中M1…Mk代表k个不同的训练模型,例如神经网络、随机森林等。最后进行组合投票得到最后的结果。
bagging分类边界如下图所示:
bagging具体实现
数据集为鸢尾花数据集
导入包:
from sklearn import neighbors
from sklearn import datasets
from sklearn.ensemble import BaggingClassifier
from sklearn import tree
from sklearn.model_selection import train_test_split
import numpy as np
import matplotlib.pyplot as plt
导入数据:
iris=datasets.load_iris()
x_data=iris.data[:,:2]#只要第0和1列,只要两个特征
y_data=iris.target
x_train,x_test,y_train,y_test=train_test_split(x_data,y_data)
建立KNN模型
#建立KNN的模型
knn=neighbors.KNeighborsClassifier()
knn.fit(x_train,y_train)
定义画图函数:
def plot(model):
#定义画图的函数
#获取数据值所在的范围
x_min,x_max=x_data[:,0].min()-1,x_data[:,0].max()+1
y_min,y_max=x_data[:,1].min()-1,x_data[:,1].max()+1
#生成网络矩阵
xx,yy=np.meshgrid(np.arange(x_min,x_max,0.02),
np.arange(y_min,y_max,0.02))
z=model.predict(np.c_[xx.ravel(),yy.ravel()])
z=z.reshape(xx.shape)
#等高线图
cs=plt.contourf(xx,yy,z)
输入数据建立模型并画图
#输入数据建立模型
knn.fit(x_train,y_train)
plot(knn)
#样本散点图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()
#准确率
knn.score(x_test,y_test)
KNN结果如下图所示:
准确率为0.68
建立决策树模型
#建立决策树模型
dtree=tree.DecisionTreeClassifier()
dtree.fit(x_train,y_train)
输入数据并画图
#输入数据建立模型
dtree.fit(x_train,y_train)
plot(dtree)
#样本散点图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()
#准确率
dtree.score(x_test,y_test)
决策树的结果如下所示:
精确率为0.71
建立bagging_KNN模型并画图
bagging_knn=BaggingClassifier(knn,n_estimators=100)#n_estimators:有放回抽样做100次
#输入数据建立模型
bagging_knn.fit(x_train,y_train)
plot(bagging_knn)
#样本散点图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()
#准确率
bagging_knn.score(x_test,y_test)
bagging_KNN结果如下所示:
准确率为0.73
建立bagging_决策树模型
bagging_tree=BaggingClassifier(dtree,n_estimators=100)#n_estimators:有放回抽样做100次
#输入数据建立模型
bagging_tree.fit(x_train,y_train)
plot(bagging_tree)
#样本散点图
plt.scatter(x_data[:,0],x_data[:,1],c=y_data)
plt.show()
#准确率
bagging_tree.score(x_test,y_test)
bagging_决策树的结果如下所示:
准确率为0.71
参考视频:https://www.bilibili.com/video/BV1Rt411q7WJ?p=51&vd_source=166e4ef02c5e9ffa3f01c2406aec1508