文章目录
1.集成算法介绍
集成学习通过建立几个模型来解决单一预测问题。它的工作原理是生成多个分类器/模型,各自独立地学习和作出预测。这些预测最后结合成组合预测,因此优于任何一个单分类的做出预测。
1.2 机器学习中的两个核心任务
1.3 集成学习中boosting和Bagging
只要单分类器的表现不太差,集成学习的结果总是要好于单分类器的.
2.Bagging与随机森林
2.1 Bagging集成原理
2.2 随机森林的构造过程
在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
随机森林 = Bagging + 决策树
随机森林够造过程中的关键步骤(用N来表示训练用例(样本)的个数,M表示特征数目):
1)一次随机选出一个样本,有放回的抽样,重复N次(有可能出现重复的样本)
2) 随机去选出m个特征, m <<M,建立决策树
2.3 随机森林API介绍
- sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
2.4 随机森林预测泰坦尼克号的生存率
# 1.数据的获取
data = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")
data.head()
# 2.数据的基本处理
# 2.1 确定要处理的特征值与目标值
x = data[['pclass','age','sex']]
y = data['survived']
# 2.2 数据缺失值的处理 年龄列里边才有缺失值的存在
x['age'].fillna(x['age'].mean(),inplace=True)
x.head()
# 数据集的划分
x_train,x_test,y_train,y_test = train_test_split(x,y,test_size=0.2)
x_train.head()
# 3.特征工程 将数组特征转换成字典特征
transfer = DictVectorizer(sparse=False)
x_train = transfer.fit_transform(x_train.to_dict(orient="records"))
x_test = transfer.transform(x_test.to_dict(orient="records"))
# 4.机器学习
# 4.1 建立模型
estimator = RandomForestClassifier(n_estimators=100,criterion="entropy",max_depth=5)
# 训练模型
estimator.fit(x_train,y_train)
# 模型评估 准确率
estimator.score(x_test,y_test)
2.5 bagging集成优点
Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法
经过上面方式组成的集成学习方法:
- 均可在原有算法上提高约2%左右的泛化正确率
-简单, 方便, 通用
3.Boosting
3.1 Boosting简介
随着学习的积累从弱到强
简而言之:每新加入一个弱学习器,整体能力就会得到提升
代表算法:Adaboost,GBDT,XGBoost
3.2 实现过程:
关键点:
如何确认投票权重?
如何调整数据分布?
3.3 bagging集成与boosting集成的区别:
- 区别一:数据方面
Bagging:对数据进行采样训练;
Boosting:根据前一轮学习结果调整数据的重要性。
- 区别二:投票方面
Bagging:所有学习器平权投票;
Boosting:对学习器进行加权投票。
- 区别三:学习顺序
Bagging的学习是并行的,每个学习器没有依赖关系;
Boosting学习是串行,学习有先后顺序。
- 区别四:主要作用
Bagging主要用于提高泛化性能(解决过拟合,也可以说降低方差)
Boosting主要用于提高训练精度 (解决欠拟合,也可以说降低偏差)
3.4 api介绍
- from sklearn.ensemble import AdaBoostClassifier
- api链接:
https://scikitlearn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html#sklearn.ensemble.AdaBoostClassifier