李宏毅机器学习——集成学习

引言

主要讲了集成学习(Ensemble)

集成学习的框架

集成学习体现了一个团队合作的思想。

(这里我改了一下李宏毅老师的例子，改成了LOL)。

假设你有很多分类器，每个分类器扮演不同的角色，比如在LOL中，有的分类器是ADC，有的是TOP。这些分类器应该具有一定的差异性。

把这些角色都集合在一起，形成配合，比如SUP控制，TOP抗，ADC输出。

在Ensemble中有很多不同的方法，先来看下Bagging方法。

Bagging

先来回顾下模型的偏差和方差。

假设有个简单的模型，它有很大的偏差（都没打到靶心），但是方差比较小（比较集中）。就是如上图红框所示；如果是复杂的模型，一般会有小的偏差，但是方差较大。如上图紫框。

上面的趋势图中，横坐标是模型的复杂度，纵坐标是模型的错误率。可以看到，错误率先是随着模型复杂度的增加而减少，随后变成上升。

假设在不同的宇宙里面都在抓宝可梦，每个宇宙都可以得到一个模型。每个宇宙预测宝可梦的模型都不一样，我们可以把不同的模型都结合起来（输出就均值），得到新的模型$f^*$，这个新的模型可能就会很接近真实模型。

虽然我们不可能从不同的宇宙取收集数据，但是我们可以创造出不同的数据出来，再用不同的数据集，各自去训练一个复杂的模型，虽然每个模型单独看的话方差很大，但是把不同的模型结合起来后，它的方差就不会那么大。

怎么制造不同的数据呢

假设你有N笔训练数据，从这N笔训练数据中取样$N^\prime$笔，通常$N$可以等于$N^\prime$，因为Bagging是放回取样，很大的可能会重复取数据。这里假设我们做4次这样的取样，就可以得到4份训练数据，然后分别训练4个复杂的模型。

在测试的时候，可以用同一份测试数据对这四个模型进行测试，然后结合它们的输出。这里的方法有投票(分类)或求均值(回归)。

当你的模型很复杂，容易过拟合时，可以做Bagging来减低方差。

那什么样的模型容易过拟合呢，最容易过拟合的其实是决策树。
决策树可以在训练数据上拿到100%的正确率。

决策树做Bagging就可以得到随机森林。

初音实验

初音数据下载地址为： http://speech.ee.ntu.edu.tw/~tlkagk/courses/MLDS_2015_2/theano/miku

这里以初音图像作为决策树分类的应用例子，这个例子输入是二维(图像的坐标)，红色部分是初音轮廓的填充，标记为类别1(乘以255后变成了白色)，蓝色部分相当于是背景，标记为类别0(0灰度值代表黑色)。 相当于输入是坐标，输出是该点为白色还是黑色。

import pandas as pd
import numpy as np
from PIL import Image

# 1st column: x, 2nd column: y, 3rd column: output (1 or 0) 
miku=pd.read_csv('miku.csv',sep=' ',header=None)

miku = np.array(miku.values)

miku_grayscale = miku[:,2]#得到类别
miku_grayscale = miku_grayscale.reshape((500, 500))#总共250000份数据
miku_grayscale = miku_grayscale.transpose()#这里进行装置，不然图像是倒着的


image = Image.fromarray(miku_grayscale*255)#*255得到灰度值
image.show()

关于sklearn中决策树代码是如何使用的可以参阅机器学习入门——图解集成学习(附代码)

这里我们跟着李宏毅老师来实作下这个例子，加载初音数据并展示的代码如上。

接下来，用不同深度的决策树来看下分类效果。
先定义显示图像的函数:

def show_image(data):
    data = data.reshape((500, 500))
    data = data.transpose()
    image_show = Image.fromarray(data*255)
    image_show.show()

然后先用一颗深度为5的决策树进行分类：

from sklearn.tree import DecisionTreeClassifier

dt_clf = DecisionTreeClassifier(max_depth=5)
# 拆分输入和输出
miku_data = miku[:,0:2]#输入：坐标
miku_target = miku[:,-1]#输出：黑或白


dt_clf.fit(miku_data, miku_target)
predict = dt_clf.predict(miku_data)
show_image(predict)

下面分别是深度为5,10,15,20的结果。

当深度为20的时候，就可以完美的画出初音的样本，其实这也没什么，因为决策树能达到错误率是0。

因为决策树太容易过拟合，所以在测试数据上如果只用一颗决策树，往往很难达到比较好的结果。所以我们要结合多颗不同的决策树，通过Bagging的方式结合的决策树就是随机森林。

通常做训练决策树模型的时候，除了采用Bagging的方法，还随机限制了特征，每次只取部分特征（虽然这里只有两个特征）,这样得到的模型更具有差异性。

通过采用Bagging的方法会有一些没有被取样的数据，称为Out-Of-Bag。可以通过这份数据进行测试，这样就可以不单独的分出测试数据集，留更多的数据给训练数据。

单一随机树的话，上面我们用一颗深度为20的决策树才能得到最好的结果，那如果是用随机森林呢。
下面通过随机森林的方式来对初音轮廓进行分类：

from sklearn.ensemble import RandomForestClassifier

rnd_clf = RandomForestClassifier(n_estimators=100,max_depth=5,n_jobs=-1) # n_jobs=-1指定cpu核数，可以并行训练

rnd_clf.fit(miku_data, miku_target)
predict = rnd_clf.predict(miku_data)
show_image(predict)

这里用100颗深度为5的树，得到的结果如上，可以看到，结果也是很差，但是比单独一颗深度为5的树结果更加平滑。因为这里只是将100颗树的分类结果平均起来(投票)。

所以，我们保持100颗树不变，增加深度为10，分类结果：

可以看到大概的轮廓了，但是怎么少了一只脚。和单独一颗决策树比起来的话，结果很明显更加平滑，也就是不容易过拟合。深度为15呢？

最终深度为20：

可以看到随机森林会让分类的结果更加平滑，也就是可以减少模型的方差，要想得到好的结果，还是要用到较好的模型(比如这里深度为20的决策树)。

下面我们介绍一个牛逼的方法，可以通过一个一般的模型(深度为5的决策树)，最终得到一个非常好的模型。

Boosting

通过提升方法可以将多个比较弱(分类准确度不高，但是至少要比随机好)的模型，集成成一个分类性能很好的模型。

上面说的是只要你能提供分类准确率高于50%的分类器，通过Boosting方法最终就能得到错误率为0的分类器。

要怎么做呢，首先得到第一个分类器$f_1(x)$，这个分类器可能只是高过50%，分类效果不好没关系；
然后Boosting帮你找到另一个分类器$f_2(x)$来提升$f_1(x)$分类不好的部分；
最终，组合所有的分类器。

这里会训练很多个基分类器，每个基分类器都是基于上一个分类其训练的，因此它们是顺序训练的，无法进行并行训练。

关于提升算法《统计学习方法》这本书就写的不错，博主也做了笔记，感兴趣的可以参阅一下。

如何得到不同的分类器

在Bagging中我们学习过可以通过训练不同的训练集来得到不同的分类器。

在提升方法中说过通过分类器$f_1(x)$可以得到分类器$f_2(x)$，通过$f_2(x)$也可以得到$f_3(x)$…

那是怎么做的呢

这里要给每笔数据一个权重，这了初始化权重为$1$，通过$u$表示。可以通过改变权重来制造不同的数据集。

比如这里有3笔数据，初始权重都为$1$，如果我们改变权重，就可以得到不同的训练数据。

改变权重后，对训练其实也没有太大的影响。在训练时，每笔数据的结果前乘上权重即可。

如果有笔数据的权重比较大，那么在训练的时候就会多考虑一点。

下面就开始学习提升算法中的经典算法——AdaBoost

AdaBoost的思想

主要思想就是在上一个分类器分类错误的样本中训练新的分类器。
当然你需要提供第一个分类器，只要比随机效果好就行了，比如二分类问题中，高于50%就行。

先来看下如何计算第一个分类器$f_1(x)$的错误率：

这里的$\delta$其实就是指数函数，国内书籍一般是用$I$表示。这里相当于只是计算了分类错误的样本权重之和，再除以所有权重之和。

这里相当于做了一个归一化。这里错误率要小于50%(这里说的是二分类问题，如果错误率大于0.5，只要把输出反过来就可以了)。

接下来就通过下面的式子更新每笔数据的权重：

用$u_2$作为新数据的权重，使得$f_1(x)$在新的训练数据上的结果为0.5，接下来就用这个权重$u_2$训练$f_2(x)$，$Z_2$的计算方式和$Z_1$一样，$Z_2$计算的是$u_2$之和。

这里看起来真的不容易理解，下面通过一个例子可以帮助大家理解。

假设有4笔训练数据，开始时权重都是$1$，然后用这份数据来训练一个模型$f_1(x)$，这里假设它只在第2笔数据上分类错误。所以它的错误率是0.25。

接下来修改权重，使得$f_1(x)$在这些新权重上的错误率为0.5。

要用$f_1(x)$的错误率变大，也就是让分类错误样本的权重变大，让分类正确样本的权重变小。

比如你得罪了一个老师，然后你做的卷子分数还不错，但是还没达到满分，但是这个老师为了整你，故意将你答错题目的分数调高，将你答对题目的分数调低，这样最终你的分数就会变低。
所以还是在绝对的实力面前(你考得满分)，任何计谋都没用了。

这里假设是这样修改了权重，3个正确的权重才等于一个错误的权重，这样使得$f_1(x)$在上面的分类错误率为0.5。

接下来，在这组新的训练数据上面，训练$f_2(x)$，相当于是让它重点考虑上一个分类器分类错误的部分。

上面只是讲了一个思想，那实际上是怎么做的呢

如果某笔数据$x^n$被$f_1$错误分类，那么就把该笔数据的权重乘上一个值$d_1$(大于1)，使得权重增加；

如果某笔数据$x^n$被$f_1$正确分类，那么就把该笔数据的权重除上一个值$d_1$(大于1)，使得权重减少；

这样就可以得到每笔数据新的权重$u_2$，然后基于这个权重来训练$f_2$，那$d_1$的值要怎么取呢

和上面的公式一样，我们要得到$u_2$使得$f_1$在上面的错误率为0.5。

因为上面用了指示函数，分类正确的指示函数结果为$0$，因此实际上考虑的是分类错误的样本权重。上面分子的地方可以写成：

分母$Z_2$还是所有的权重之和，包括分类正确的和错误的，也就可以写成：

所以整个式子就是下面的样子：

两边都取倒数得：

然后可以约掉相同的项，

也就是：

(注意求和下面的条件，左边说的是分类正确的样本，右边说的是分类错误的样本)。

接下来分别把$\frac{1}{d}$和$d$提出来。

根据之前的式子，错误率可以写成这样：

它的分子出现在上面倒数第二个图右边。

把分母乘过去就得到上式，带入之前的等式。而$\sum_{f_1(x^n) = \hat y ^n} u_1^n = Z_1(1 - \varepsilon_1)$

就是1减去正确率。

也就是：

最终可以算出$d_1$的式子。

因为错误率是小于0.5的，所以$d_1$一定大于1。

整个AdaBoost的算法如下：

这里重点说下上面红框框出来的部分，其实就是我们上面推导的那个式子，不过引入了$\alpha$，$exp(\alpha_t) = d_t$。

利用了$e^{-x} = \frac{1}{e^x}$来表示除法运算，简化最终的式子。
如果$\hat y^n$和$f_t(x^n)$同号，就是分类正确，相乘就是$1$(基于$\hat y = \{+1,-1\}$)，前面有个负号，就变成了除法的形式；反之分类错误，就是直接相乘。这样就写到了一个式子中。

(算法还没完)
经过上面的训练后，可以得到一把分类器，下面如何把它们集合在一起呢

因为我们的分类器有好有差，我们希望它们对最终结果的影响是不同的，因此很容易想到的是要加个权重。其实这个权重上面已经计算过了，就用$\alpha_t$即可。

如果某个分类器的错误率比较低，比如是0.1，那么它得到的权重会是1.1。

如果错误率较大，比如0.4，得到的权重会是0.2。

因此，错误率小的分类器在最终投票会具有更大的权重。

这里应该有个例子，推荐去看《统计学习方法》——提升算法，博主通过代码实现了书中AdaBoost的例子，可以结合上面的理论和代码很容易的理解AdaBoost的思想。

证明

这一小节是证明AdaBoost算法在迭代次数(子模型数)越来越多的情况下，最终分类器$H(x)$的错误率越来越小。

我们先列出这个错误率的计算公式。

然后用$g(x)$表示上面括号内的这一项。

所以错误率的这一项可以写成：

这里利用了$\hat y^n$与$g(x^n)$同号(分类正确)为$+1$，异号为$-1$改成了小于零。

然后说这个错误率有一个上界。为什么呢，这里通过画图来说明。

可以看到蓝线始终在绿线上方，所以是它的上界。接下来证明这个上界会越来越小。

我们先来计算$Z_t$，就是$f_t$的权重之和。

那$Z_{T+1}$是怎样的呢

我们知道在初始的时候权重都为$1$。

通过AdaBoost的思想这一节我们知道了$u_{t+1}$的计算式子：

也就是第$t+1$个时间点的权重与第$t$个时间点的权重之间有上面这样的关系，我们就可以得到$u_{T+1}$的式子：

所以就可以得到$Z_{T+1}$的表达式：

我们可以把连乘放到$exp$里面，变成了求和。

红线标出来的这一项就是$g(x)$。

并且篮筐框出来的其实就是一样的，也就是错误率小于等于下面这个

可以发现权重之和竟然与训练数据的错误率有关。

接下来要证明这个权重之和会越来越小。

我们可以写出$Z_t$的式子。

带入$\alpha_t$的式子得：

最终化简得到最后一个式子

它的函数图像是这样的，当错误率等于0.5时，取最大值1。而我们知道错误率是小于0.5的，所以$Z_t$会比$Z_{t-1}$还要小。

$Z_{T+1}$的式子可以写成：

其中$N$是$Z_1$。

所以随着迭代次数$T$的增加，错误率是越来越小的。

证明完毕。

用AdaBoost对初音进行分类

这里我们保持深度不变，采用一个比较弱的分类器，验证通过增加子模型的数量就可以提升最终分类器的性能。

from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier

miku=pd.read_csv('miku.csv',sep=' ',header=None)

miku = np.array(miku.values)

# 拆分输入和输出
miku_data = miku[:,0:2]#输入：坐标
miku_target = miku[:,-1]#输出：黑或白

forest_clf = AdaBoostClassifier(DecisionTreeClassifier(max_depth=5), n_estimators=10) 
forest_clf.fit(miku_data, miku_target)
forest_predict = forest_clf.predict(miku_data)
show_image(forest_predict)

10个看起来结果很差，保持深度不变，将基分类器数量改成20（​​n_estimators=20​​）：

20个轮廓很明显了，再试下50个基分类器：

50个基分类器的时候提升还是很明显了，但是还不是最好的，我们直接改成100看下(训练时间也会相应的增长)：

可以看到，100个深度为5的决策树通过AdaBoost的方式集成起来后，效果已经很接近深度为20的决策树一样好。也就是我们不需要分类效果特别好的模型，直接集成多个具有差异的一般模型就能得到很好的结果。这就是集成学习的威力。

虽然100个深度为5的决策树已经很好，但还不是最好效果，如何达到最好效果呢，这里直接增加基分类器的数量为200：

除了增加基分类器的数量外，还可以尝试提升基分类器的性能，这里可以通过增加决策树的深度来实现，我就不演示了。

Gradient Boosting

刚才提升算法更通用的版本

怎么找到比较好的$g(x)$呢要先设一个目标函数

这里$l$是损失函数，可以这样定义：

这样，我们希望$\hat y^n$与$g(x^n)$要同号，并且相乘的结果越大越好。

我们可以通过梯度下降法来最小化。

这里函数$g$如何求$L$对它的微分呢。可以把它的每个点当成参数，取$x_1$得到$g(x_1)$，取$x_2$得到$g(x_2)$，假设$x$取得很密，那么$g(x)$就是一个向量。

如果从提升算法的角度来看，我们知道提升算法要找一个$\alpha_t$和$f_t(x)$。我们希望红框这两项表示同一个意思，至少它们的方向要一样。我们知道$L$的式子是这样的

让它对$g$求导，得到：

消掉学习率前面的负号就得到

我们希望$f_t(x)$和这个式子方向越一致越好。每个函数可以想象成一个无穷多维的向量，上面两个式子都是一个向量。如果我们只考虑训练数据中的那些情况，那么它们的维度就是有限的。

就是想要上面这个式子的值越大越好，

我们希望对每笔训练数据来说，$\hat y^n$和$f_t(x^n)$是同号的，并且前面都乘以一个权重。

把$g_{t-1}$的式子代入，就得到上式。把求和变成连乘。

可以发现它就是AdaBoost的权重。

所以我们今天找出来的$f_t(x)$相当于AdaBoost中的$f_t(x)$。

在AdaBoost中找$f_t(x)$可以想成是做梯度下降一样。

$\alpha_t$相当于是学习率，给定了$f_t(x)$后，我们要找到一个$\alpha_t$使得$g_t(x)$的损失最小。

就是要计算$L$对$\alpha$的微分，最终可以得到$\alpha_t = ln \sqrt{(1-\varepsilon_t) / \varepsilon_t}$

所以可以把AdaBoost想象成是在做梯度下降。

参考

1.​​李宏毅机器学习​​