机器学习----模型及算法02_无心♧的博客-CSDN博客https://blog.csdn.net/m0_57646558/article/details/132744085?spm=1001.2014.3001.5502 关于机器学习的模型及算法,今天来讲述集成算法(有监督)、随机森林模型。
目录
七、集成算法
集成学习就相当于是逐步放大错误。
1、什么是集成算法?
集成算法是通过聚合多个分类器的预测来提高分类准确率。集成算法由训练数据构建一组基分类器,然后通过对每个基分类器的预测进行投票来进行分类。
模型及算法 | 作用 | 基本思想 | 优点 | 缺点 |
集成算法 | 可用于分类问题,也可用于回归问题 | 通过聚合多个分类器的预测来提高分类准确率 | 具有较高的准确率 | 模型的训练过程比较复杂,效率不是很高 |
2、集成分类器
集成分类器的性能优于单个分类器必须满足的两个条件是:
①基分类器之间应该是互相独立的
②基分类器应当好于随机猜测分类器。
3、集成算法的分类
(1)装袋(Bagging)
它又称为自助聚集(Bootstrap Aggregating), boostrap是一种有放回的抽样方法,抽样策略是简单的随机抽样。
【注】原理:把多个基础模型放到一起,最后再求平均值就可以了。
装袋增强了目标函数的表达功能,通过减低基分类器方差改善了泛化误差,装袋的性能依赖于基分类器的稳定性。
(2)随机森林
随机森林:简单理解就是数据采样和特征选择是随机的,多个决策树构成森林。
模型及算法 | 作用 | 基本思想 | 优点 | 缺点 |
随机森林 | 用于预测离散或连续变量的监督学习算法 | 通过随机选择特征和数据集的子集,来构建多个决策树模型,并将它们的预测结果进行平均或投票,来提高预测的准确性 | 能够处理非线性关系和缺失值,具有较高的准确性和鲁棒性 | 模型复杂度较高,需要较长的训练时间和较大的存储空间 |
【注】构成随机森林的决策树越多,效果不一定越好。
(3)提升(Boosting)
提升是一个迭代过程(若学习器开始),用来自适应地改变训练样本的分布,使得基分类器聚集在那些难分的样本上;它与装袋不同,提升给每一个训练样本赋一个权值,而且可以在每一轮提升过程结束时自动地调整权值。
举例
若一个箱内有10个球,9个红球、1个黑球,抽到黑球视为中奖,当抽取一个红球后,再放回红球的同时放入一个黑球,那么久增加了抽到黑球的概率。
【注】此例子就是通过不断地增加中奖的权值
(4)堆叠(Stacking)
聚合使用多个分类器,如KNN、SVM等等。要知道堆叠在一起可以使得准确率得以提升,在一定程度上防止过拟合。
4、代码部分
以鸢尾花数据为例:
# 导入必要的库
import numpy as np
import pandas as pd
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target
# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# 创建一个随机森林分类器
rf_classifier = RandomForestClassifier(n_estimators=100, random_state=42)
# 在训练集上拟合模型
rf_classifier.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = rf_classifier.predict(X_test)
# 计算分类准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"随机森林分类器的准确率: {accuracy:.2f}")
这个代码示例中的关键步骤包括:
-
导入必要的库,包括 NumPy、Pandas、scikit-learn 的数据集加载功能、模型选择、随机森林分类器以及分类准确度评估指标。
-
使用
load_iris()
函数加载鸢尾花数据集,并将特征存储在X
中,将目标标签存储在y
中。 -
使用
train_test_split
函数将数据集分为训练集(80%)和测试集(20%)。 -
创建一个随机森林分类器
rf_classifier
,并设置参数,如树的数量(n_estimators
)和随机种子(random_state
)。 -
在训练集上使用
fit
方法拟合随机森林分类器。 -
使用训练好的模型对测试集进行预测。
-
使用
accuracy_score
函数计算分类准确率,并将结果打印出来。
这个示例演示了如何使用集成算法中的随机森林来解决分类问题。你可以根据自己的数据和问题选择不同的集成方法,例如 AdaBoost、Gradient Boosting 等,以提高模型的性能。