【机器学习】集成学习：发挥1+1大于2的功效 | 集成学习基础原理，概念，Boosting，Bagging与随机森林

文章目录

[1 基础原理](#1 基础原理)
[2 串行------Boosting](#2 串行——Boosting)
[3 并行------Bagging与随机森林](#3 并行——Bagging与随机森林)
- [3.1 Bagging](#3.1 Bagging)
- 3.2随机森林

1 基础原理

之前我们介绍了许多单个的机器学习算法，包括决策树，神经网络，贝叶斯分类器

但以上种种都是单个学习算法

接下来我们介绍集成学习，即先产生一组"个体学习器"（即我们上面讲到的决策树之类的）再用某种策略将他们结合起来，就是集成的过程。

集成对应两种

集成中只包括同类型的个体学习器，比如对于决策树集成中都是决策树，对于神经网络集成都是神经网络，这样的集成是"同质"的，同质中的个体学习器也称为"基学习期"，学习算法叫做"基学习算法"
集成也可以包括不同类型的个体学习器，这样的集成是"异质"的，异质的学习期由不同的学习算法组生成，这时候不再有基学习算法，相应的，个体学习器一般称为组件学习器

我们期望多个学习集成产生更好的效果，通俗来讲就是1+1>2的效果

为了达到这个效果，个体学习器应该"好"而"不同"

根据个体学习器的生成方式，目前集成学习有两大类方法

即个体学习器间存在强依赖关系，必须串行生成序列的方法，代表有Boosting

个体学习器之前不存在强依赖关系，可同时生成的并行化方法，代表有Bagging与随机森林

2 串行------Boosting

Boosting算法是一类集成学习（ensemble learning）方法，旨在通过结合多个弱分类器来构建一个强分类器。这些弱分类器通常是简单的模型，例如决策树，它们在某些方面表现不佳，但当它们结合在一起时，可以产生更强大的模型。

Boosting算法的工作方式是按顺序训练一系列的弱分类器，每个弱分类器都试图纠正前一个分类器的错误。训练过程中，对错误分类的样本给予更多的关注，以便下一个分类器能够更好地学习这些样本。最终，所有弱分类器的预测结果通过加权求和或投票等方式结合起来，形成最终的集成模型。

最常见的是AdaBoost算法

AdaBoost（Adaptive Boosting）是一种集成学习方法，旨在通过组合多个弱分类器来构建一个强分类器。它是Freund和Schapire于1996年提出的，是Boosting算法中最早和最简单的一种。

AdaBoost的工作原理如下：

初始化训练数据集的权重，使每个样本的权重相等。
迭代训练过程中，对于每个迭代轮次：
- 训练一个弱分类器（例如，单层决策树或者称为决策树桩）。
- 根据弱分类器的表现调整样本的权重，增加被错误分类的样本的权重，减少被正确分类的样本的权重。
最终，将所有弱分类器的预测结果通过加权求和（或者投票）的方式结合起来，得到最终的强分类器。

AdaBoost的关键在于不断调整样本的权重，使得每个新的分类器都集中在前一个分类器分错的样本上，从而提高整体的分类性能。由于AdaBoost侧重于错误分类的样本，因此它对噪声数据和异常值比较敏感。

AdaBoost的优点包括：

简单易实现，不需要复杂的参数调整。
可以与各种分类器结合使用，如决策树桩、神经网络等。
在处理二分类问题时表现良好。

然而，AdaBoost也有一些缺点，包括：

对噪声和异常值敏感，容易过拟合。
在处理多类别分类问题时需要进行修改和调整。
对数据不平衡和高维特征空间的处理能力有限。

总的来说，AdaBoost是一种强大的集成学习方法，在许多机器学习问题中表现出色。

3 并行------Bagging与随机森林

想要泛化性加强，我们集成学习的个体学习器应尽可能独立，虽然"独立"在现实中不容易做到，但可以使得基学习器尽可能不同，给定一个训练数据集

一种可能的做法是对训练样本进行采样，产生若干不同的子集，再从每一个训练集中训练出一个基学习器，这样由于训练数据集不同我们获得的基学习器有较大的不同
但是由于每个个体学习器在训练过程中只用到了一部分，单个效果可能不太好了，为了增大数据集，我们可以考虑交叉采样子集

3.1 Bagging

Bagging（Bootstrap Aggregating）是一种集成学习方法，旨在通过训练多个相互独立的分类器，并将它们的预测结果进行组合来改善分类的准确性。Bagging的核心思想是通过自助采样（bootstrap sampling）和投票（voting）的方式减少方差，提高模型的稳定性和泛化能力。

Bagging的工作流程如下：

从原始训练集中使用自助采样方法（即有放回地随机抽样）生成多个子训练集。
使用每个子训练集训练一个独立的基分类器（通常使用高方差的模型，如决策树）。
对于分类问题，通过投票（多数表决）的方式获得最终的预测结果；对于回归问题，通过平均基分类器的预测结果来获得最终的预测值。

Bagging的优点包括：

通过降低方差，提高了模型的泛化能力和稳定性。
可以并行化处理，因为每个基分类器可以独立训练。
不容易受到过拟合的影响，对于高方差的模型表现较好。

Bagging的缺点包括：

基分类器之间的独立性要求较高，如果基分类器之间存在较强的相关性，则Bagging效果可能会下降。
由于每个基分类器都使用了部分样本进行训练，因此可能会导致模型整体性能略有下降。

随机森林（Random Forest）就是一种基于Bagging思想的集成学习算法，它使用了多棵决策树作为基分类器，并通过投票的方式进行预测。随机森林在实际应用中广泛使用，通常具有较好的分类和回归性能。

3.2随机森林

随机森林（Random Forest）是一种基于决策树的集成学习方法，通过构建多棵决策树来改善单棵决策树的预测性能。随机森林在许多机器学习问题中都表现出色，特别是在处理高维数据和大规模数据集时效果显著。

随机森林的主要特点和工作原理包括：

随机选择特征：在每棵决策树的训练过程中，随机选择一部分特征进行训练，而不是全部特征。这种随机性有助于减少特征之间的相关性，提高模型的多样性。
自助采样：对于每棵决策树的训练数据集，采用自助采样（bootstrap sampling）的方式从原始训练集中有放回地抽取样本。这样可以保证每棵决策树的训练集是不同的，增加了模型的多样性。
多棵决策树的投票：对于分类问题，随机森林通过多数投票的方式来确定最终的分类结果；对于回归问题，通过平均多棵决策树的预测结果来得到最终的预测值。

随机森林的优点包括：

能够处理高维数据和大规模数据集，不容易受到过拟合的影响。
具有较高的准确性和稳定性，通常表现优于单棵决策树。
能够评估特征的重要性，有助于理解数据和特征选择。

随机森林的缺点包括：

对于某些数据集和问题，随机森林可能会过于复杂，导致模型过拟合。
由于每棵决策树都是独立训练的，因此难以解释单个决策树的预测过程。

总的来说，随机森林是一种强大的集成学习方法，在许多机器学习问题中都表现出色。