随机森林的功能说明

集成学习的目的是让机器学习算法的效果更好

集成学习主要有三种方式：
1.Bagging：训练多个分类器，并以取平均或者众数的方式去的最终结果
2.Boosting：从弱学习器开始加强，通过对分类错误的样本赋予更高的权重完成模型的强化
3.Stacking：以分阶段的模式聚和多个分类或回归模型

降方差（bagging）减偏差（boosting）提升预测准确性（stacking）

---

Bagging
Bagging方法最大的特点是并行训练一堆分类器
全称：boostrap aggregation
最典型的代表就是随机森林

并不是所有算法都适合继承，公认的基础模型就是数模型

随机森林原理
随机（随机森林算法最重要的特点）：数据采样随机（这里的数据采样是从所有数据中有放回采样，注意每一棵决策树样本量是相同的）、特征选取随机（每一棵决策树选取的总特征数量也是相同的）（进行随机的目的是要保证模型的泛化能力）
森林：很多个决策树并行放在一起

随机森林优势：
1.可以处理高纬度数据，并且不用特征选取工程
2.训练完成后，它能够给出哪些feature比较重要
3.并行训练，速度比较快
4.可以进行可视化分析

feature重要性比较方式：
例如比较B属性的重要性：先以A、B、C、D四个特征构建模型并最终得出一个准确率，再以随机值替换B特征并以A、B’、C、D四个特征构建模型得出准确率。如果两次的准确率差异不大，则说明B特征重要性不强，如果两次准确性差异较大，则说明B特征比较重要。

理论上来说越多的树效果越好，但实际上超过一定数量准确率就在上下浮动了

---

Boosting
Boosting方法的最大特征是串行训练，从弱学习器开始一步步强化学习器
最典型代表：Adaboost、Xgboost

Adaboost原理
Adaboost方法会根据前一次分类的效果调整数权重，如果某一个数据在前一次分类错了，那么在下一次迭代时就会有更大的权重，最终每个分类器根据自身的准确性来确定各自的权重再合体

步骤：
1.先为每一个数据赋相同的权重，得出一个分类器$G_{1}(x)$
2.得出该分类器的错误率$e_{1}$
3.利用$\alpha_{1}=\frac{1}{2} \log \frac{1-e_{1}}{e_{1}}$公式计算出该分类器在总分类器中的比重
4.利用$w_{2, i}=\frac{w_{1, i}}{z_{1}} \exp \left(-\alpha_{1} y_{i} G_{1}\left(x_{i}\right)\right), i=1,2, \ldots, 10$公式计算第二次迭代时各个样本权重
5.例如只强化学习三次，则最后的结果为$F(x)=\operatorname{sign}\left(F_{3}(x)\right)=\operatorname{sign}\left(\alpha_{1} G_{1}(x)+\alpha_{2} G_{2}(x)+\alpha_{3} G_{3}(x)\right)$

具体的公式推导是由Adaboost的损失函数（指数损失函数）求偏导得出

---

Stacking
Stacking方法是将很多算法堆叠在一起，可以用来对得的算法有KNN、SVM、RF等算法
Stacking算法会分阶段来完成堆叠工作
第一阶段由多个基学习器预测，得出多个预测结果，第二阶段将上一步的预测结果作为特征传入元模型，得出最终的结果