机器学习算法之集成学习

"

We won't be distracted by comparison if we are captivated with purpose.

—— Bob Goff

"

分类算法中有一种极其重要的算法「集成学习」​更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』​

1.集成学习算法简介

1.1 什么是集成学习

集成学习通过建立几个模型来解决单一预测问题。它的工作原理是​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 复习：机器学习的两个核心任务

1.3 集成学习中 boosting 和 Bagging

只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的。

2.Bagging 和 随机森林

2.1 Bagging 集成原理

​目标：​把下面的圈和方块进行分类

​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 随机森林构造过程

在机器学习中，​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​

例如，你训练了5棵树, 其中有4棵树的结果是 ​​True​​​，1棵树的结果是 ​​False​​​，那么最终投票结果就是 ​​True​​

​随机森林够造过程中的关键步骤​（用 ​​N​​​ 来表示训练用例(样本)的个数，​​M​​ 表示特征数目）：

​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​

​思考​

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，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是「有偏的」，都是绝对「片面的」（当然这样说可能不对），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。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』

2.3 随机森林 api 介绍

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120,200,300,500,800,1200
- 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 5,8,15,25,30
- 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


# 超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

2.4 随机森林预测案例

1) 实例化随机森林

# 随机森林去进行预测
rf = RandomForestClassifier()

2) 定义超参数的选择列表

param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

3) 使用 ​​GridSearchCV​​ 进行网格搜索

# 超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)


gc.fit(x_train, y_train)


print("随机森林预测的准确率为：", gc.score(x_test, y_test))

注意：(1) 随机森林的建立过程；(2) 树的深度、树的个数等需要进行超参数调优

2.5 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​

经过上面方式组成的集成学习方法:

​1) 均可在原有算法上提高约2%左右的泛化正确率​

​2) 简单, 方便, 通用​更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』​​​

3.Boosting

3.1 boosting 集成原理

3.1.1 什么是 boosting

​随着学习的积累从弱到强​

​简而言之：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​​

3.1.2 实现过程

1) 训练第一个学习器

2) 调整数据分布

3) 训练第二个学习器

4) 再次调整数据分布

5) 依次训练学习器，调整数据分布

6) 整体过程实现

​关键点：如何确认投票权重？如何调整数据分布？​

3.1.3 其他

​AdaBoost 的构造过程​

​Boosting 和 AdaBoost​

​​boosting​​​ 是一种集成技术，试图从多个弱分类器中创建强分类器。通过从训练数据构建一个模型，然后创建第二个模型试图纠正第一个模型中的错误。不断添加模型，直到训练集被完美地预测或者添加到最大数量。 ​​AdaBoost​​​ 是第一个为二分类开发的真正成功的提升算法。现代 ​​boosting​​​ 方法建立在 ​​AdaBoost​​ 上，最著名的是随机梯度提升机（stochastic gradient boosting machines）。

此描述转载自简书作者Bobby0322的「机器学习—提升和自适应增强（Boosting和AdaBoost）」一文。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』

​bagging 集成与 boosting 集成的区别：​

​​区别一​​：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。​

​​区别二​​：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。​

​​区别三​​：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。​

​​区别四​​：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）​

3.2 GBDT(了解)

梯度提升决策树(GBDT Gradient Boosting Decision Tree) ​是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。​它在被提出之初就被认为是泛化能力(​​generalization​​)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』

​GBDT = 梯度下降 + Boosting + 决策树​

3.2.1 梯度的概念(复习)

3.2.2 GBDT 执行流程

如果上式中的 ​​hi(x)​​=决策树模型，则上式就变为：

​GBDT = 梯度下降 + Boosting + 决策树​

3.2.3 案例

预测编号5的身高:

编号	年龄(岁)	体重(KG)	身高(M)
1	5	20	1.1
2	7	30	1.3
3	21	70	1.7
4	30	60	1.8
5	25	65	?

第一步：计算损失函数，并求出第一个预测值。

第二步：求解划分点。

得出：年龄21为划分点的 方差=0.01+0.0025=0.0125

第三步：通过调整后目标值，求解得出​​h1(x)​​

第四步：求解 ​​h2(x)​​

… …

得出结果：

编号5身高 = 1.475 + 0.03 + 0.275 = 1.78

3.2.4 GBDT 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。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』

3.3 XGBoost(了解)

​XGBoost= 二阶泰勒展开+boosting+决策树+正则化​

​​面试题​：了解 XGBoost 么，请详细说说它的原理​

​回答要点：二阶泰勒展开，​​boosting​​​，决策树，正则化​

​​Boosting​：​​XGBoost​​​ 使用 ​​Boosting​​​ 提升思想对多个弱学习器进行迭代式学习​

​​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。​

​​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。​

[拓展]什么是泰勒展开式

泰勒展开越多，计算结果越精确。更多精彩文章请关注公众号『Pythonnote』或者『全栈技术精选』

​​​