【机器学习】集成学习

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

集成学习

1.集成学习算法简介

1.1 什么是集成学习

集成学习通过建⽴⼏个模型来解决单⼀预测问题。它的⼯作原理是⽣成多个分类器/模型，各⾃独⽴地学习和作出预 测。这些预测最后结合成组合预测，因此优于任何⼀个单分类的做出预测。

1.2 机器学习的两个核⼼任务

• 任务⼀：如何优化训练数据 —> 主要⽤于解决⽋拟合问题
• 任务⼆：如何提升泛化性能 —> 主要⽤于解决过拟合问题

1.3 集成学习中boosting和Bagging

只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的

2.Bagging和随机森林

2.1 Bagging集成原理

⽬标：把下⾯的圈和⽅块进⾏分类

实现过程：

1. 采样不同数据集
   
   2)训练分类器
   
   3)平权投票，获取最终结果
   

4)主要实现过程⼩结

2.2 随机森林构造过程

在机器学习中，随机森林是⼀个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数⽽定。

随机森林 = Bagging + 决策树

例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个树的结果是False, 那么最终投票结果就是True

随机森林够造过程中的关键步骤(M表示特征数⽬)：

1)⼀次随机选出⼀个样本，有放回的抽样，重复N次(有可能出现重复的样本)

2) 随机去选出m个特征, m <<M，建⽴决策树

思考

1.为什么要随机抽样训练集？　　
如果不进⾏随机抽样，每棵树的训练集都⼀样，那么最终训练出的树分类结果也是完全⼀样的

2.为什么要有放回地抽样？
如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“⽚⾯的”(当然这样说可能不对)，也就是说每棵树训练出来都是有很⼤的差异的；⽽随机森 林最后分类取决于多棵树(弱分类器)的投票表决。

2.3 包外估计 (Out-of-Bag Estimate)

在随机森林构造过程中，如果进⾏有放回的抽样，我们会发现，总是有⼀部分样本我们选不到。

• 这部分数据，占整体数据的⽐重有多⼤呢？

对于任意⼀组数据 (x n, y n) 是包外数据的概率为：1/e。由于基分类器是构建在训练样本的⾃助抽样集上的，只有约 63.2％ 原样本集出现在中，⽽剩余的 36.8％ 的数据作为包 外数据，可以⽤于基分类器的验证集。

经验证，包外估计是对集成分类器泛化误差的⽆偏估计.

在随机森林算法中数据集属性的重要性、分类器集强度和分类器间相关性计算都依赖于袋外数据。

• 这部分数据有什么⽤呢？
  • 当基学习器是决策树时，可使⽤包外样本来辅助剪枝 ，或⽤于估计决策树中各结点的后验概率以辅助对零训练样 本结点的处理；
  • 当基学习器是神经⽹络时，可使⽤包外样本来辅助早期停⽌以减⼩过拟合 。

3.Boosting

3.1 什么是boosting

随着学习的积累从弱到强
简⽽⾔之：每新加⼊⼀个弱学习器，整体能⼒就会得到提升
代表算法：Adaboost，GBDT，XGBoost，LightGBM

3.2 实现过程

1.训练第⼀个学习器
2.调整数据分布

3.训练第⼆个学习器

4.再次调整数据分布

5.依次训练学习器，调整数据分布

6.整体过程实现

3.3 bagging集成与boosting集成的区别：

• 区别⼀:数据⽅⾯
  Bagging：对数据进⾏采样训练；
  Boosting：根据前⼀轮学习结果调整数据的重要性。
• 区别⼆:投票⽅⾯
  Bagging：所有学习器平权投票；
  Boosting：对学习器进⾏加权投票。
• 区别三:学习顺序
  Bagging的学习是并⾏的，每个学习器没有依赖关系；
  Boosting学习是串⾏，学习有先后顺序。
• 区别四:主要作⽤
  Bagging主要⽤于提⾼泛化性能（解决过拟合，也可以说降低⽅差）
  Boosting主要⽤于提⾼训练精度 （解决⽋拟合，也可以说降低偏差）
  

3.4 AdaBoost介绍

步骤⼀：初始化训练数据权重相等，训练第⼀个学习器。

该假设每个训练样本在基分类器的学习中作⽤相同，这⼀假设可以保证第⼀步能够在原始数据上学习基 本分类器H 1 (x)

步骤⼆：AdaBoost反复学习基本分类器，在每⼀轮m = 1, 2, …, M顺次的执⾏下列操作：

（a） 在权值分布为D t 的训练数据上，确定基分类器；
（b） 计算该学习器在训练数据中的错误率：

（c） 计算该学习器的投票权重：

（d） 根据投票权重，对训练数据重新赋权

将下⼀轮学习器的注意⼒集中在错误数据上

重复执⾏a到d步，m次；

步骤三：对m个学习器进⾏加权投票

关键点剖析

4.GBDT介绍

GBDT 的全称是 Gradient Boosting Decision Tree，梯度提升树，在传统机器学习算法中，GBDT算的上TOP3的算法。 想要理解GBDT的真正意义，那就必须理解GBDT中的Gradient Boosting 和Decision Tree分别是什么？

4.1 Decision Tree：CART回归树

⾸先，GBDT使⽤的决策树是CART回归树，⽆论是处理回归问题还是⼆分类以及多分类，GBDT使⽤的决策树通通都 是都是CART回归树。

• 为什么不⽤CART分类树呢？
  因为GBDT每次迭代要拟合的是梯度值，是连续值所以要⽤回归树。

对于回归树算法来说最重要的是寻找最佳的划分点，那么回归树中的可划分点包含了所有特征的所有可取的值。

在分类树中最佳划分点的判别标准是熵或者基尼系数，都是⽤纯度来衡量的，但是在回归树中的样本标签是连续数值， 所以再使⽤熵之类的指标不再合适，取⽽代之的是平⽅误差，它能很好的评判拟合程度。

4.2 Gradient Boosting： 拟合负梯度

梯度提升树（Grandient Boosting）是提升树（Boosting Tree）的⼀种改进算法，所以在讲梯度提升树之前先来说⼀下

提升树。 先来个通俗理解：假如有个⼈30岁，我们⾸先⽤20岁去拟合，发现损失有10岁，这时我们⽤6岁去拟合剩下的损失，发 现差距还有4岁，第三轮我们⽤3岁拟合剩下的差距，差距就只有⼀岁了。如果我们的迭代轮数还没有完，可以继续迭代 下⾯，每⼀轮迭代，拟合的岁数误差都会减⼩。最后将每次拟合的岁数加起来便是模型输出的结果。
提升树算法：

4.3 GBDT算法原理

将Decision Tree和Gradient Boosting介绍完了，下⾯将这两部分组合在⼀起就是我们的GBDT了。
（1）初始化弱学习器
（2）对m=1,2,…,M有：

• （a）对每个样本i=1,2,…,N，计算负梯度，即残差
• （b）将上步得到的残差作为样本新的真实值，并将数据作为下棵树的训练数据，得到⼀颗新的回归树
• （c）对叶⼦区域j=1,2,…J计算最佳拟合值
• （d）更新强学习器

（3）得到最终学习器