bagging思路和算法
投票法提到提到,希望各个模型之间具有较大的差异性,而实际操作中的模型却往往是同质的,因此一个简单的思路是通过不同的采样增加模型的差异性。
Bagging(bootstrap aggregating),其含义是自助聚合。
Bagging的核心在于自助采样(bootstrap),首先我们随机取出一个样本放入采样集合中,再把这个样本放回初始数据集,重复K次采样,最终可以获得一个大小为K的样本集合。同样的方法, 可以采样出T个含K个样本的采样集合,然后基
于每个采样集合训练出一个基学习器,再将这些基学习器进行结合,这就是Bagging的基本流程。
Bagging方法之所以有效,是因为每个模型都是在略微不同的训练数据集上拟合完成的,这又使得每个基模型之间存在略微的差异,使每个基模型拥有略微不同的训练能力。
Bagging是一种降低方差的技术,因此它在不剪枝决策树、神经网络等易受样本扰动的学习器上效果更加明显。在实际的使用中,加入列采样的Bagging技术对高维小样本往往有神奇的效果。
bagging的案例分析(基于sklearn,介绍随机森林的相关理论以及实例)
Sklearn为我们提供了 BaggingRegressor 与 BaggingClassifier 两种Bagging方法的API,这里通过一个完整的例子演示Bagging在分类问题上的具体应用。这里两种方法的默认基模型是树模型。
树模型
树模型一般指决策树,它是一种树形结构,树的每个非叶子节点表示对样本在一个特征上的判断,节点下方的分支代表对样本的划分。决策树的建立过程是一个对数据不断划分的过程,每次划分中,首先要选择用于划分的特征,之后要确定划分的方案(类别/阈值)。我们希望通过划分,决策树的分支节点所包含的样本“纯度”尽可能地高。节点划分过程中所用的指标主要是信息增益和GINI系数。
通过计算信息增益或Gini指数确定了首先根据天气情况对样本进行划分,之后对于每个分支,继续考虑除天气之外的其他特征,直到样本的类别被完全分开,所有特征都已使用,或达到树的最大深度为止。
bagging之随机森林
sklearn实例
from numpy import mean
from numpy import std
from sklearn.datasets import make_classification
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import RepeatedStratifiedKFold
from sklearn.ensemble import BaggingClassifier
#创建数据集,1000个样本20维特征分类数据集
X, y = make_classification(n_samples=1000, n_features=20, n_informative=15, n_redundant=5, random_state=5)
print(X.shape, y.shape)
#使用重复的分层k-fold交叉验证来评估模型,重复3次,每次有10个fold。评估该模型在所有重复交叉验证中性能的平均值和标准差
model = BaggingClassifier()
cv = RepeatedStratifiedKFold(n_splits=10, n_repeats=3, random_state=1)
n_scores = cross_val_score(model, X, y, scoring='accuracy', cv=cv, n_jobs=-1,error_score='raise')
print('Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))
Accuracy: 0.854 (0.036)