集成学习算法

集成学习：通过建立几个模型来解决单一预测问题；
工作原理：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。（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）

1 集成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

2 Boosting和Bagging集成原理

2.1 Bagging集成过程

（1）采样 — 从所有样本里面，采样一部分
（2）学习 — 训练弱学习器
（3）集成 — 使用平权投票

• Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法
• 经过上面方式组成的集成学习方法：
  （1）均可在原有算法上提高约2%左右的泛化正确率；
  （2）简单, 方便, 通用。

2.2 Boosting集成过程

（1）初始化训练数据权重，初始权重是相等的
（2）通过这个学习器，计算错误率
（3）计算这个学习器的投票权重
（4）对每个样本进行重新赋权
（5）重复前面1-4
（6）对构建后的最后的学习器进加权投票

• 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
• 梯度Boosting决策树(GBDTGradient Boosting Decision Tree)
  GBDT = 梯度下降 + Boosting + 决策树
• XGBoost
  XGBoost= 二阶泰勒展开+boosting+决策树+正则化

2.3 Bagging集成与Boosting集成的区别

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

3 随机森林

• 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集成 + 多个弱决策树
  

• 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
• 思考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。