集成学习-多样性的度量和增强

多样性度量

在集成学习中，我们希望分类器具有多样性。多样性度量(diversity measure)是用于度量集成个体分类器的多样性。常规的做法是度量两个分类器的相似性，通常有如下指标。
给定数据集 D = { ( x i , y i ) } 1 m D=\{(\bm{x}_{i},y_{i})\}_{1}^{m} D={(xi​,yi​)}1m​，对二分类任务， y i ∈ { − 1 , + 1 } y_{i}\in \{-1,+1\} yi​∈{−1,+1},对于两个分类器$h_i$和$h_j$的预测结果列联表(contingency table)为：

	$h_i=+1$	$h_i=-1$
$h_j=+1$	$a$	$c$
$h_j=-1$	$b$	$d$

(1)马修斯相关系数(Matthews correlation coefficient)
针对二分类问题：
$$MC{C}_{ij}=\frac{ad-bc}{\sqrt{(a+b)(a+c)(c+d)(b+d)}}$$
从公式中可以看出，值域为$[-1,1].$当预测结果中没有$-1$或$+1$时，$MC{C}_{ij}=0$。
当预测结果全部正确时，正相关程度例如：$MC{C}_{ij}=1$
当预测结果全部错误时，负相关程度最大：$MC{C}_{ij}=-1$
当预测结果一半正确，一半错误时，且正负类标比例相同时，此时相当于随机猜测：
$$\begin{gathered} h_i=[-1,+1,-1,+1] \\ {h}_j=[-1,+1,+1,-1] \\ MC{C}_{ij}=0 \end{gathered}$$
所以相关系数越小，表明两个分类器相似度越小，差异性越大。
使用sklearn中的函数可以实现马修斯相关系数的计算，函数中同样也包括了多分类情况下的计算：https://scikit-learn.org/stable/modules/model_evaluation.html#matthews-correlation-coefficient

>>> from sklearn.metrics import matthews_corrcoef
>>> y_true = [+1, +1, +1, -1]
>>> y_pred = [+1, -1, +1, +1]
>>> matthews_corrcoef(y_true, y_pred)  
-0.33...

(2)不合度量(disagreement measure)
$$di{s}_{ij}=\frac{b+c}{a+b+c+d}$$
值域为$[0,1]$。不合度量实质上衡量了分类器结果不一致的比例，值越大，表明差异性越大。

多样性增强

在集成学习中，需要有效地生成多样性大的个体学习器,增强多样性的思路一般是在学习过程中引入随机性，常见的做法是对数据样本、输入属性、输入表示，算法参数进行扰动。
（1）数据样本扰动
给定的初始数据集，可以产生不同的数据子集，利用不同的数据子集训练出不同的学习器，数据样本扰动通常基于采样法。在bagging中使用自助采样，Adaboost使用序列采样，此类做法简单高效，使用很广，对很多基学习器。例如决策树，神经网络等，训练样本稍加变化就会导致学习器有显著变动，此时样本扰动对不稳定基学习器很有效；有一些基学习器对样本扰动不敏感，比如线性学习器、支持向量机、朴素贝叶斯，k近邻学习，称为稳定基学习器。
（2）输入属性扰动
不同的属性子空间提供了观察数据的不同视角，从不同属性子空间中训练出的个体学习器必然不同。对包含大量冗余属性的数据，使用属性子集能训练出的多个多样性大的学习器，还会因为属性数的减少而节省时间开销，同时，由于冗余属性较多，减少属性后训练出的个体学习器不至于太差。若数据只包含少量的属性，或者冗余属性很少，此时对属性扰动会导致每个分类器可用信息大大较少，效果较差。
（3）算法参数扰动
对学习器的超参数进行扰动。例如，可以通过调整正则化系数来控制神经网络的不同参数；决策树的属性选择机制可以替换为其他属性选择机制。