高级算法梳理之随机森林

本系列将重点续写集成算法，其中包括随机森林(RF)—>GBDT—>XGB—>LightGBM，本文将重点介绍随机森林算法(RF)。

1. 什么是集成学习

集成学习，有个说法叫“三个臭皮匠，顶一个诸葛亮”，如下图所示，简单来说就是对于训练集数据，我们通过训练若干个个体学习器，通过一定的结合策略，就可以最终形成一个强学习器，以达到博采众长的目的。

其中个体学习期的选择方法要给予，低方差、高偏差的原则。

2、什么是个体学习器

个体学习器分为同质个体学习器和异质个体学习器。
同质个体学习器：个体分类器属于同种，比如决策树分类器、神经网络分类器
异质个体学习器：个体分类器不属于同种，比如一个分类问题，分类器同时用到了SVM、LR、朴素贝叶斯等等，然后利用某种结合策略形成最终的强分类器

2.1、同质个体学习器

是否存在依赖关系可以分为两类
强依赖关系（串行）：Boost算法系列（AdaBoost、GDBT、XgBoost、GBM）
不存在强依赖关系（并行）：Bagging算法系列（随机森林）

3、Boosting算法

如上图所示，Boosting算法的工作原理，简要叙述就是，对于训练数据集，先设置样本初始权重，一般利用均值作为初值。然后训练个体学习器1，经过个体学习器1学习后的学习误差率更新样本权重，原则就是加大被分错样本的权重，减小分类正确样本的权重。然后在训练个体学习期2，以此类推，得到个体学习器T。最后将这T个个体学习期以某种结合策略得到最终的强学习器。

4、Bagging算法

过程如上图所示，对m个样本进行又放回抽样，每抽样一次，就训练一次个体学习器（弱学习器），然后对T个个体学习期进行某种结合策略形成强学习器。

5、结合策略

结合策略一般分为三种方法
1、平均法：针对回归问题
2、投票法：针对分类问题
3、学习法：代表方法stacking.

5.1、平均法

假定有T个弱分类器{h1,h2,…hT}
对于数值类的回归预测问题，通常使用的结合策略是平均法。最简单的就是算数平均，最终结果为
$$H\left(x\right)=\frac{1}{T}\sum _1^T{h}_i\left(x\right)$$
如果每个个体学习器有一个权重w，则最终结果为
$$H\left(x\right)=\sum _1^T{\omega }_i{h}_i\left(x\right)$$
其中 ${\omega }_i$是个体学习器 hi 的权重。

5.2、投票法

相对多数投票法：少数服从多数
绝对多数投票法：票过半数
加权投票法：同加权平均法一样

5.3、学习法

代表方法是stacking，当使用stacking的结合策略时，我们将训练集弱学习器的学习结果作为输入，将训练集的输出作为输出，重新训练一个学习器来得到最终结果。
在这种情况下，我们将弱学习器称为初级学习器，将用于结合的学习器称为次级学习器。对于测试集，我们首先用初级学习器预测一次，得到次级学习器的输入样本，再用次级学习器预测一次，得到最终的预测结果。

6、随机森林

6.1、随机森林建立方法

生成方法：
1、从样本集中通过重采用的方式产生n个样本
2、利用这n个样本训练时，随机选择部分属性，在这些部分属性中选择一个最优特征进行划分。
3、重复抽样m次，产生m可决策树
4、采用投票（分类问题）/平均（回归问题）的方式进行预测
随机性体现在两点：1、样本选择的随机性。2、特征选择的随机性

6.2、随机森林的特性

优点：

缺点：

随机森林是一种集成学习+决策树的分类模型，它可以利用集成的思想（投票选择的策略）来提升单颗决策树的分类性能（通俗来讲就是“三个臭皮匠，顶一个诸葛亮”）。

集集成学习和决策树于一身，随机森林算法具有众多的优点，其中最为重要的就是在随机森林算法中每棵树都尽最大程度的生长，并且没有剪枝过程。

随机森林引入了两个随机性——随机选择样本（bootstrap sample）和随机选择特征进行训练。两个随机性的引入对随机森林的分类性能至关重要。由于它们的引入，使得随机森林不容易陷入过拟合，并且具有很好得抗噪能力（比如：对缺省值不敏感）。
实战
不均衡数据处理方法
随机森林