数据挖掘-集成学习

 

1.集成学习概念：

•    个体学习器通常是用一个现有的学习算法从训练数据产生，例如C4.5决策树算法、BP神经网络算法等。此时集成中只包含同种类型的个体学习器，例如“决策树集成”中的个体学习器全是决策树，“神经网络集成”中就全是神经网络，这样的集成是“同质”（homogeneous）的，同质集成中的个体学习器也称为“基学习器”（baselearner），相应的学习算法称为“基学习算法”（baselearning algorithm）。有同质就有异质（heterogeneous），若集成包含不同类型的个体学习器，例如同时包含决策树和神经网络，那么这时个体学习器一般不称为基学习器，而称作“组件学习器”（componentleaner）或直接称为个体学习器。

2.为什么要集成：

•1）模型选择

•假设个弱分类器将具有一定的差异性，这会导致生成的分类决策边界不同，也就是说他们在决策 的时候会犯不同的错误。将他们结合后能得到更合理的边界，减少整体的错误， 实现更好的分类效果。

•2）数据集过大或过小

•数据集过大时，可以分成不同的子集，分别训练，再合成分类器。

•数据集过小时，可采用有放回抽样（bootstrap）

•3）数据融合（datafusion）

•当有多个不同的数据源时，且每个数据源的特征集抽取的方法不同时，需要分别训练再集成

3.hard voting  和  soft voting:

hard voting 是依据投票进行决策

soft voting 是依据各分类器的概率之和 进行决策

#coding=gbk
import numpy as np
import matplotlib.pyplot as plt from sklearn import datasets x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3) print(x[:10,:10]) print(x.shape,' ',y.shape) #(500, 2) (500,) print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集 plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据，输出行列数据 plt.scatter(x[y==1,0],x[y==1,1]) plt.show() # 自定义一个数据集

当 noise 噪声为 0 时，显示是两个半圆的数据集

​

当噪声 noise 为 0.3 的数据集,画出图像为：

​

 

 

from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)

from sklearn.linear_model import LogisticRegression #使用逻辑回归 clf = LogisticRegression() clf.fit(x_train, y_train) clf_score = clf.score(x_test, y_test) print(clf_score) # 0.832 from sklearn.svm import SVC #使用支持向量机 svm = SVC() svm.fit(x_train, y_train) svm.score = svm.score(x_test, y_test) print(svm.score) # 0.84 from sklearn.tree import DecisionTreeClassifier #使用决策树 tree = DecisionTreeClassifier() tree.fit(x_train, y_train) tree_score = tree.score(x_test, y_test) print(tree_score) #0.808 #使用投票法集成学习 y_predict1 = clf.predict(x_test) y_predict2 = svm.predict(x_test) y_predict3 = tree.predict(x_test) y_predict = np.array((y_predict1 + y_predict2 +y_predict3) >=2,dtype='int') print(y_predict[:10]) #[1 1 0 1 0 1 1 1 1 0]投票法预测的结果 from sklearn.metrics import accuracy_score all_score = accuracy_score(y_test, y_predict) print(all_score) # 0.848 正确率有所提升 #使用sklearn 中的voting classifier from sklearn.ensemble import VotingClassifier voting_clf = VotingClassifier([ ('log_clf', LogisticRegression()), ('svm_clf',SVC()), ('tree_clf',DecisionTreeClassifier()) ],voting= 'hard') voting_clf.fit(x_train, y_train) voting_score = voting_clf.score(x_test, y_test) print(voting_score) #0.848 和上述的预测结果是一样的， ‘hard’ 代表是投票机制,依据票数决定 #依据权重进行投票,为soft voting 计算每个模型概率的和 predict_proba, #KNN 和逻辑回归 ， 决策树 (svc也可以取得其概率 probability = True) soft_voting_clf = VotingClassifier([ ('log_clf',LogisticRegression()), ('svm_clf',SVC(probability=True)), #因为 soft voting 是依据概率来进行决策的， 所以需要是probability 为True ('tree_clf',DecisionTreeClassifier(random_state= 666, max_depth=8)) ],voting = 'soft') soft_voting_clf.fit(x_train, y_train) soft_voting_score = soft_voting_clf.score(x_test, y_test) print('soft_voting_score is %.4f'%soft_voting_score) # soft_voting_score is 0.8560

 

4.集成学习常用算法（Boosting, Bagging, Stacking（暂时不考虑，和神经网络有相似之处））

•目前集成学习方法大致可分为两大类：

第一类是个体学习器之间存在强依赖关系、必须串行生成的序列化方法，这种方法的代表是“Boosting”；

第二类是个体学习器间不存在强依赖关系、可同时生成的并行化方法，它的代表是“Bagging”和“RandomForest”

•Bagging:bagging通过降低基分类器方差改善了泛化能力，因此bagging的性能依赖于基分类器的稳定性，如果基分类器是不稳定的，bagging有助于减低训练数据的随机扰动导致的误差，但是如果基分类器是稳定的，即对数据变化不敏感，那么bagging方法就得不到性能的提升，甚至会减低，因为新数据集只有63%。最常用的是DT决策树

​

 

•随机森林（RandomForest）是许多决策树的平均，每个决策树都用通过Bootstrap的方式获得随机样本训练。森林中的每个独立的树都比一个完整的决策树弱，但是通过将它们结合，可以通过多样性获得更高的整体表现。

•随机森林具有Self-testing的特性，因为随机森林是通过Bootstrap的方式采样，理论上往往会有大约1/3的原始数据没有被选中，我们叫做OOB（outof bag），而这部分数据刚好可以用来做测试，类似于Cross-Validation的作用。一般的基础分类器的个数为500棵或者可以更多。非参数的机器学习算法对个别的数据点较为敏感。

 

1•随机森林具有很多的优点：

•所有的数据都能够有效利用，而且不用人为的分出一部分数据来做cross-validation；

•随机森林可以实现很高的精确度，但是只有很少的参数，而且对于分类和回归都适用；

•不用担心过拟合的问题；

•不需要事先做特征选择，每次只用随机的选取几个特征来训练树。

2•它的缺点是：

•相比于其他算法，其输出预测可能较慢。

 

使用bagging 和 randomforest ：

#coding=gbk
import numpy as np
import matplotlib.pyplot as plt from sklearn import datasets x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3) print(x[:10,:10]) print(x.shape,' ',y.shape) #(500, 2) (500,) print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集 plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据，输出行列数据 plt.scatter(x[y==1,0],x[y==1,1]) # plt.show() from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y,random_state=666) #使用bagging 有放回取样 from sklearn.ensemble import BaggingClassifier from sklearn.tree import DecisionTreeClassifier bagging_clf = BaggingClassifier(DecisionTreeClassifier(), n_estimators= 50,max_samples = 100, #n_estimators 子模型的数量 bootstrap = True) bagging_clf.fit(x_train, y_train) bagging_score = bagging_clf.score(x_test, y_test) print(bagging_score) # 0.872 #当estimators 为5000时，还是一样 #使用 oob_score = True 依据统计学，可能还有37% 的数据未抽到， 可将其作为测试集 bagging_clf2 = BaggingClassifier(DecisionTreeClassifier(), n_estimators= 50,max_samples = 100, #n_estimators 子模型的数量 bootstrap = True, oob_score= True) #增加 oob_score =True bagging_clf2.fit(x_train, y_train) bagging_oob_score = bagging_clf2.oob_score_ print(bagging_oob_score) # 0.9306666666666666 很不错的数据 #bootstrap_features 为True 时， max_samples 既对数据进行随机抽样， 也对特征进行随机抽样 #使用 n_jobs 还可以进行并行处理 bagging_patches_clf = BaggingClassifier(DecisionTreeClassifier(), n_estimators=500, max_samples=100,bootstrap = True, max_features=1, bootstrap_features = True,random_state=666, oob_score = True) bagging_patches_clf.fit(x_train, y_train) patches_score = bagging_patches_clf.oob_score_ print(patches_score) # 0.888 #使用随机森林, RandomForest 决策树在结点的划分上， 在随机的特征子集上， 寻找最优划分特征 print(' using randomForest') from sklearn.ensemble import RandomForestClassifier rf_clf = RandomForestClassifier(n_estimators=500, random_state = 666, oob_score=True, n_jobs=True) rf_clf.fit(x_train, y_train) print(rf_clf.oob_score_) # 0.9253333333333333 #Extra - Trees, 极度随机决策树, 在决策树的结点划分上， 使用随机的特征和随机的阈值， #提供额外的随机性， 抑制过拟合， 当增大了bias #用于比随机森林更快的训练速度 from sklearn.ensemble import ExtraTreesClassifier er_clf = ExtraTreesClassifier(n_estimators=500, random_state=666, oob_score=True, bootstrap= True, n_jobs=-1) er_clf.fit(x,y) print(er_clf.oob_score_) # 0.892

 

•boosting：提升方法是一个迭代的过程，通过改变样本分布，使得分类器聚集在那些很难分的样本上，对那些容易错分的数据加强学习，增加错分数据的权重，这样错分的数据再下一轮的迭代就有更大的作用（对错分数据进行惩罚）。数据的权重有两个作用，一方面我们可以使用这些权值作为抽样分布，进行对数据的抽样，另一方面分类器可以使用权值学习有利于高权重样本的分类器。

​

 

•AdaBoost（adaptive  boosting）会根据当前的错误率，按照增大错误样本权重，减小正确样本权重的原则更新每个样本的权重。不断重复训练和调整权重，直到训练错误率或基学习器的个数满足用户指定的数目为止。Adaboost的最终结果为每个弱学习器加权的结果。

•AdaBoost优点：

•很容易实施

•几乎没有参数需要调整

•不用担心过拟合

 

•缺点：

•公式中的α是局部最优解，不能保证是最优解

•对噪声很敏感

 

•Gradient  Boosted Regression Trees (GBRT)梯度提升回归树：

•GBRT也是一种Boosting方法，每个子模型是根据已训练出的学习器的性能(残差)训练出来的，子模型是串行训练获得，不易并行化。GBRT基于残差学习的算，没有AdaBoost中的样本权重的概念。GBRT结合了梯度迭代和回归树，准确率非常高，但是也有过拟合的风险。GBRT中迭代的是残差的梯度，残差就是目前结合所有得到的训练器预测的结果与实际值的差值。

 

使用AdaBoost  和 Gradient Boosting 梯度提升：

#coding=gbk
#使用 ada_boosting 
import numpy as np
import matplotlib.pyplot as plt from sklearn import datasets x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3) print(x[:10,:10]) print(x.shape,' ',y.shape) #(500, 2) (500,) print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集 plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据，输出行列数据 plt.scatter(x[y==1,0],x[y==1,1]) # plt.show() from sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import train_test_split x_train, x_test, y_train, y_test = train_test_split(x, y) ac_clf = AdaBoostClassifier(DecisionTreeClassifier(max_depth=4), n_estimators=500, random_state= 666) ac_clf.fit(x_train, y_train) score = ac_clf.score(x_test, y_test) print(score) # 0.928 # Gradient Boosting 梯度提升 #训练一个模型 m1 ，产生 错误e1， 针对e1 训练第二个模型m2 ，产生错误e2 继续训练下去，直到达到条件 from sklearn.ensemble import GradientBoostingClassifier gb_clf = GradientBoostingClassifier(max_depth=5, n_estimators=500) gb_clf.fit(x_train, y_train) score1 =gb_clf.score(x_test, y_test) print(score1) # 0.88

 

AdaBoost 原理推导：

wil的笔记  的 blog中有个关于adaboost 的计算例子，十分有助于我们对adaboost的理解。

文中例子  ‘第二轮’中的Z1 表示：（就是全部新的权重因子的和，称为规范化因子，使其全部权重相加为1 .）

​

AdaBoost算法可以认为是一种模型为加法模型、损失函数为指数函数、学习算法为前向分步算法的而分类学习方法。

前向分步算法对加法模型的求解思路是：如果能够从前向后，每一步只学习一个基函数及其系数，逐步逼近优化目标，那么就可以简化优化的复杂度。

1. ​ 的推导过程：

AdaBoost算法是前向分布加法算法的特例。这时，模型是由基本分类器组成的加法模型，损失函数是指数函数。即此时的基函数为基分类器。AdaBoost的最终分类器为：

                                                ​

定义损失函数为：

                        ​        -------1

当真实值与预测值不同时，损失值为 e ，相同时为1/e

 

进行 t 轮的迭代可得：

                                ​        -----2

我们的目标是求得  ​ 和 ​ 使得损失函数最小，将式2 带入到式1 当中：

​

 

其中：​  ，其均不依赖于   ​ 和 ​  ，只与 ​  ，会随着每一轮的迭代而发生变化。

对式子进行变形：

​

 

对式子  ​ 进行求导：

先令 ：

                 ​

可以得到：

                ​

由此知道：

αt  随着et  的减小而增大，所以分类误差率越小的基分类器在最终分类器中的作用越大。

 

2.​  的推导：

由上述推导的式子：

                            ​

将第一个式子两边 同时乘以  ​ ，并作为 e 的指数，可以得到：

                                                                        ​

再添加一个分母进行规范化：

                                  
                                                    ​

 

 

参考： https://www.cnblogs.com/willnote/p/6801496.html
             https://blog.csdn.net/ruiyiin/article/details/77114072

             https://blog.csdn.net/qq_32690999/article/details/78759463

 

adaboost算法原理参照：

                             https://www.cnblogs.com/willnote/p/6801496.html
                             https://blog.csdn.net/v_july_v/article/details/40718799

 

转载于:https://www.cnblogs.com/junge-mike/p/9335043.html