14天数据分析与机器学习实践之Day12——集成算法与随机森林

14天数据分析与机器学习实践之Day12——集成算法与随机森林

Ensemble learning

• 目的：让机器学习效果更好，单个不行，群殴走起

• Bagging：训练多个分类器取平均

• Boosting：从弱学习器开始加强，通过加权来进行训练
  （加入一棵树，要比原来强）

• Stacking：聚合多个分类或回归模型（可以分阶段来做）

Bagging模型

• 全称： bootstrap aggregation（说白了就是并行训练一堆分类器）
• 最典型的代表就是随机森林啦
• 随机：数据采样随机，特征选择随机
• 森林：很多个决策树并行放在一起
  

随机森林

构造树模型：

由于二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样

Bagging模型

树模型：

之所以要进行随机，是要保证泛化能力，如果树都一样，那就没意义了！

KNN模型：

树模型：

理论上越多的树效果会越好，但实际上基本超过一定数量就差不多上下浮动了

随机森林优势

• 它能够处理很高维度（feature很多）的数据，并且不用做特征选择
• 在训练完后，它能够给出哪些feature比较重要
• 容易做成并行化方法，速度比较快
• 可以进行可视化展示，便于分析
  

Boosting模型

• 典型代表：AdaBoost， Xgboost
• Adaboost会根据前一次的分类效果调整数据权重
• 解释：如果某一个数据在这次分错了，那么在下一次我就会给它更大的权重
• 最终的结果：每个分类器根据自身的准确性来确定各自的权重，再合体

Adaboost工作流程

• 每一次切一刀！
• 最终合在一起
• 弱分类器这就升级了！
  

Stacking模型

• 堆叠：很暴力，拿来一堆直接上（各种分类器都来了）
• 可以堆叠各种各样的分类器（KNN,SVM,RF等等）
• 分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练

参考文章

集成算法