集成学习 （Ensemble Learning）

集成学习方法是结合多个模型算法，从而提高整体的准确性，进而得到更好的预测结果。

比如，我们熟知的随机森林就是一种集成学习的方法，它结合了多个决策树的预测结果，而每一个决策树又是用随机的不同的数据训练而成。所以，从这种意义上来讲，随机森林的预测表现一般比单个决策树的表现要好。

集成学习的概念应该不难理解，这个想法广泛的存在于我们的日常生活当中。

比如，当我们需要买一台新的笔记本的时候，我们往往是根据自己的需要来选择自己想要的配置，像多大的内存，多大的硬盘，以及什么样的处理器等等。

再比如,当我们决定买一辆新车的时候，我们也是根据自己的喜好和需要，选择不同的配置，是不是需要有GPS，有video的，什么样的发动机，...

集成学习因为结合了多种模型，从一定程度上来讲，集成模型减少了噪音，方差和偏差，而这正是机器学习模型预测过程中产生错误的主要原因。如果我们能降低减少这些产生误差的原因，自然就可以提高模型的整体预测水平，而这也正是集成方法的重点思想所在。

我们还依然记得盲人摸象的故事。故事中，每个人只是摸到了大象的某个局部位置，当然如果只根据所摸到的这个局部位置来预测这是什么物体的话，自然会有偏差，当然不能很好的真实的猜出来。而如果我们结合了所有盲人所得到的信息，把这些信息结合在一起，而进行猜测是什么物体的话，准确率自然会大大提升。

因此，我们再一次看到了集成学习方法的思想所在。它是一种降低方差，偏差和噪音的方法。基本上，每种模型都是在某些情况下表现很好，而在某些特定情况下表现的不好。这样，通过结合这几种单独的模型，那么集成的模型就会某种程度上克服这些缺点，从而整体上胜出任何一个单独的模型。

集成学习模型被广泛的应用于各个领域之中，像土地覆盖图，人脸识别，面部表情识别等等。而比较流行的集成方法有随机森林， XGBoost, 贝叶森模型...

阅读更多：

降维技术 （Dimensionality Reduction）

我采访了一位女博士，分享她过往10年丰富的人生经历

   关注作者公众号，请长按下面公众号：