Bagging原理
Bagging集成模型最后的预测结果,同时采用一定策略来影响基模型训练,保证基模型可以服从一定的假设。
Bagging的核心在于自助采样(bootstrap), 即有放回的从数据集中进行采样。
Bagging的基本流程:
首先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,最终获得一个大小为K的样本集合。
同样的方法采样出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。
对回归问题的预测是通过预测取平均值来进行的。对于分类问题的预测是通过对预测取多数票预测来进行的。
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。
树模型
Sklearn为我们提供了 BaggingRegressor 与 BaggingClassifier 两种Bagging方法的API。默认基模型是树模型。
树模型一般指决策树,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)。节点划分过程中所用的指标主要是信息增益和GINI系数。
信息增益衡量的是划分前后信息不确定性程度的减小。信息不确定程度一般使用信息熵来度量。
信息熵:
H
(
Y
)
=
−
∑
p
i
l
o
g
p
i
H(Y) = - \sum{p_i log{p_i}}
H(Y)=−∑pilogpi, 其中
i
i
i表示样本的标签,
p
p
p表示该类样本出现的概率。
当我们对样本做出划分之后,计算样本的条件熵:
H
(
Y
∣
X
)
=
−
∑
x
∈
X
p
(
X
=
x
)
H
(
Y
∣
X
=
x
)
H(Y|X) = -\sum_{x\in X}p(X=x)H(Y|X=x)
H(Y∣X)=−x∈X∑p(X=x)H(Y∣X=x)其中
x
x
x表示用于划分的特征的取值。
信息增益定义为信息熵与条件熵的差值:
I
G
=
H
(
Y
)
−
H
(
Y
∣
X
)
IG=H(Y)-H(Y|X)
IG=H(Y)−H(Y∣X).
信息增益IG越大,说明使用该特征划分数据所获得的信息量变化越大,子节点的样本“纯度”越高。
Gini指数衡量数据的不纯度:
G
i
n
i
=
1
−
∑
p
i
2
Gini=1-\sum p_i^2
Gini=1−∑pi2
当对样本做出划分后的Gini指数:
G
i
n
i
x
=
∑
x
∈
X
p
(
X
=
x
)
[
1
−
∑
p
i
2
]
Gini_x=\sum_{x\in X}p(X=x)[1-\sum p_i^2]
Ginix=x∈X∑p(X=x)[1−∑pi2]
一般选择使得划分后Gini指数最小的特征.
Bagging在分类问题上的具体应用
# 创建一个含有1000个样本20维特征的随机分类数据集
# evaluate bagging algorithm for classification
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
X, y = make_classification(n_samples=1000, n_features=20, n_informative=15,
n_redundant=5, random_state=5)
# define the model
model = BaggingClassifier()
# evaluate the model
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')
# report performance
print('Accuracy: %.3f (%.3f)' % (mean(n_scores), std(n_scores)))