随机森林算法梳理

1. 集成学习：通过构建并结合多个学习器来完成学习任务。先产生一组“个体学习器”，再用某种策略将它们结合起来。集成学习的核心是个体学习器以及集成策略，通常集成学习能够获得比单一学习器具有更优越的泛化性能；
2. 个体学习器：个体学习器是传统机器学习或者神经网络训练学习的学习器，按照个体的性质将集成学习分成同质与异质集成。
   （1）同质集成：个体学习器均为同一类个体学习器，比如均为决策树或者均为神经网络；
   （2） 异质集成：个体学习器为不同类型个体学习器，比如决策树与神经网络一起构成新的学习器；异质集成：个体学习器为不同类型个体学习器，比如决策树与神经网络一起构成新的学习器；
   常见的集成学习方法：boosting（个体学习器存在强依赖关系，必须串行生成的序列化方法），bagging（比如随机森林（Random Forest））（个体学习器不存在强依赖关系，可以并行生成）；
   3.Boosting是一族可将弱学习器提升为强学习器的算法。先从初始训练集训练出一个基学习器，再根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练样本后续得到更多关注。常用的算法是AdaBoost和GradientBoosting
   关于Boosting的两个核心问题：
   A）在每一轮如何改变训练数据的权值或概率分布？
   通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样例的权值，来使得分类器对误分的数据有较好的效果。
   B）通过什么方式来组合弱分类器？
   通过加法模型将弱分类器进行线性组合，比如AdaBoost通过加权多数表决的方式，即增大错误率小的分类器的权值，同时减小错误率较大的分类器的权值。而提升树通过拟合残差的方式逐步减小残差，将每一步生成的模型叠加得到最终模型。

4.bagging是并行集成学习著名代表，采取放回采样的方式抽取数据训练多个个体学习器，可以采样出T个含有m个训练样本的学习器，每个学习可以并行训练。Bagging主要关注的是降低方差，并且自助采样的方式会使得其具有一部分的验证样本，这样就使得泛化效果更好。其算法过程如下：
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