集成算法简介

1、集成学习概述

集成学习（$Ensemblelearning$）的目的是让机器学习的的效果更好，一个不行，就多个一起。

常用的有三种方式

• Bagging：训练多个分类器取平均 $f(x)=1/M\sum _{m=1}^M{f}_m(x)$

• Boosting：从弱学习器开始加强，通过加权来进行训练

  ​ $F_m(x)=F_{m-1}(x)+{\mathrm{argmin}}_h\sum _{i=1}^{n}L\left(y_i,F_{m-1}\left(x_i\right)+h\left(x_i\right)\right)$

  ​ (加入一个模型，要比原来强，例如随机森林就是加入一棵树，要比原来强)

• Stacking：聚合多个分类或回归模型（可以分阶段来做）

2、Bagging模型

全称：$bootstrap$ $aggregation$

就是并行训练一堆分类器

2.1、$Random$ $Forest$ 随机森林模型

• 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

  ​ 如果还不知道什么是决策树可以通过这篇文章了解

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

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！

随机森林的优势

• 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

2.2、$KNN$模型

$KNN$就不太适合，因为很难去随机让泛化能力变强！

3、$Boosting$模型

3.1、$AdaBoost$

Adaboost会根据前一次的分类效果调整数据权重

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

每一次切一刀,最终合在一起,弱分类器这就升级了.

3.2、$xgboost$

$XGBoost$是陈天奇等人开发的一个开源机器学习项目，高效地实现了$GBDT$算法并进行了算法和工程上的许多改进，被广泛应用在$Kaggle$竞赛及其他许多机器学习竞赛中并取得了不错的成绩。

说到$XGBoost$，不得不提$GBDT(Gradient$ $Boosting$ $Decision$ $Tree)$。因为$XGBoost$本质上还是一个$GBDT$，但是力争把速度和效率发挥到极致，所以叫$X(Extreme)GBoosted$。包括前面说过，两者都是$boosting$方法。

$XGBoost$的核心算法思想不难，基本就是：

1. 不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数$f(x)$，去拟合上次预测的残差。
2. 当我们训练完成得到k棵树，我们要预测一个样本的分数，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数
3. 最后只需要将每棵树对应的分数加起来就是该样本的预测值。

更多$xgboost$内容请看终于有人说清楚了–XGBoost算法

4、$Stacking$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

堆叠在一起确实能使得准确率提升，但是速度是个问题

参考文章

https://www.cnblogs.com/mantch/p/11164221.html