欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

集成学习

程序员文章站 2022-06-16 22:03:47
Infi-chu: http://www.cnblogs.com/Infi-chu/ 一、集成学习简介 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。 【注】 只要单分类器的表现 ......

 infi-chu:

http://www.cnblogs.com/infi-chu/

一、集成学习简介

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。

集成学习

 【注】

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

 

二、bagging

1.bagging集成原理

目标:把下面的圈和方块进行分类

集成学习

实现过程:

1)采样不同数据集

集成学习

2)训练分类器

集成学习

3)平权投票

集成学习

4)实现过程总结

集成学习

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

集成学习

 

例如, 如果你训练了5个树, 其中有4个树的结果是true, 1个树的结果是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。

3.api

  • 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

4.eg

# 实例化随机森林
# 随机森林去进行预测
rf = randomforestclassifier()

# 定义超参的选择列表
param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

# 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】

  • 随机森林的建立过程
  • 树的深度、树的个数等需要进行超参数调优

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

 

三、boosting

1.boosting集成原理

定义:

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

实现过程:

  • 训练第一个学习器
  • 调整数据分布
  • 训练第二个学习器
  • 再次调整数据分布
  • 依次训练学习器,调整数据分布
  • 整体过程实现

集成学习

 集成学习

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)

集成学习