机器学习之集成学习初识

一 集成学习简介

1.1 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。

1.2 任务

(1) 如何优化训练数据 —> 主要用于解决欠拟合问题 —> boosting
(2) 如何提升泛化性能 —> 主要用于解决过拟合问题 —> Bagging

二 Bagging和随机森林

2.1 Bagging

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

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

2.3 包外估计(自助法)

数据集中有 36.8％ 的数据抽取不到，可作为包外数据，可以用于基分类器的验证集。当基学习器是决策树时，可使用包外样本来辅助剪枝
包外估计是对集成分类器泛化误差的无偏估计(所有样本出现的概率一样)

2.4 随机森林API

sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)

n_estimators：决策树的个数，default = 10，可用交叉验证{120,200,300,500,800,1200}

Criterion：分割特征的测量方法，default =“gini”

*max_depth：树的最大深度，默认=无，可用交叉验证{5,8,15,25,30}
*max_features:每个决策树的最大特征数量，default=“auto”
If “auto”, then max_features=sqrt(n_features).
If “sqrt”, then max_features=sqrt(n_features)(same as “auto”).
If “log2”, then max_features=log2(n_features).
If None, then max_features=n_features.

bootstrap：是否在构建树时使用放回抽样，default = True，放回
*min_samples_split 内部节点再划分所需最小样本数，默认是2。如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。
*min_samples_leaf 叶子节点的最小样本数，默认是1，一般来说，更偏向于将最小叶子节点数目设置为大于50
min_impurity_split: 节点划分最小不纯度，一般不推荐改动默认值1e-7

from sklearn.ensemble import RandomForestClassifier
estimator = RandomForestClassifier()
# 定义超参数的选择列表
param = {"n_estimators": [120,200,300,500,800], "max_depth": [5, 8, 15, 25]}
使用GridSearchCV进行网格搜索
# 超参数调优
estimator = GridSearchCV(estimator, param_grid=param, cv=3)
estimator.fit(x_train, y_train)

三 Boosting

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

3.1 AdaBoost

1. 初始化训练数据权重相等，训练第一个学习器。
2. AdaBoost反复学习基本分类器，在每一轮m=1,2,…,Mm=1,2,…,M顺次的执行下列操作：
   （a） 在权值分布为Dt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
   重复执行a到d步，m次；
3. m个学习器进行加权投票
   

API：

from sklearn.ensemble import AdaBoostClassifier

3.2 GBDT

GBDT 的全称是 Gradient Boosting Decision Tree，梯度提升树
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，使用的都是CART回归树。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。

流程：

残差：真实值与预测值的差
负梯度：求导

补充

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，每次抽取样本的概率不同，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
3.bagging集成与boosting集成的区别？
（1）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。
（2）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。
（3）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。
（4）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）