机器学习——集成学习

10. 集成学习

通过建立几个模型来解决单一预测问题

10.1 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

10.2 机器学习中的两个核心任务

1. 如何优化训练数据 解决 欠拟合问题

2. 如何提升泛化性能 解决 过拟合问题

10.3 boosting和Bagging

10.4 Bagging

主要实现过程

• 1. 采样
• 2. 学习
• 3. 集成

10.5 随机森林构造过程

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

10.5.1 关键步骤

• 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

10.6 随机森林API

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

• n_estimators：integer，optional（default = 10）森林里的树木数量

• Criterion：string，可选（default =“gini”）分割特征的测量方法

• max_depth：integer或None，可选（默认=无）树的最大深度

• max_features="auto”,每个决策树的最大特征数量

  • 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：boolean，optional（default = True）是否在构建树时使用放回抽样

• min_samples_split:节点划分最少样本数

• min_samples_leaf:叶子节点的最小样本数

10.6.2 超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

10.7 bagging集成优点

Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法

10.7.1 优点

• 均可在原有算法上提高约2%左右的泛化正确率
• 简单, 方便, 通用

10.8 Boosting集成

每新加入一个弱学习器，整体能力就会得到提升

10.8.1 代表算法

• Adaboost
• GBDT
• XGBoost

10.8.2 AdaBoost的构造过程小结

10.8.3 API

• from sklearn.ensemble import AdaBoostClassifier

10.9 bagging集成与boosting集成的区别

10.9.1 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。

10.9.2 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。

10.9.3 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。

10.9.4 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）

10.10 GBDT

梯度提升决策树(GBDT Gradient Boosting Decision Tree)

一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案

GBDT = 梯度下降 + Boosting + 决策树

10.10.1 主要执行思想

• 1.使用梯度下降法优化代价函数；
• 2.使用一层决策树作为弱学习器，负梯度作为目标值；
• 3.利用boosting思想进行集成

10.11 XGBoost

XGBoost= 二阶泰勒展开+boosting+决策树+正则化

• 二阶泰勒展开：每一轮学习中，XGBoost对损失函数进行二阶泰勒展开，使用一阶和二阶梯度进行优化。
• Boosting：XGBoost使用Boosting提升思想对多个弱学习器进行迭代式学习
• 决策树：在每一轮学习中，XGBoost使用决策树算法作为弱学习进行优化。
• 正则化：在优化过程中XGBoost为防止过拟合，在损失函数中加入惩罚项，限制决策树的叶子节点个数以及决策树叶子节点的值。

10.12 泰勒展开式

泰勒展开越多，计算结果越精确