集成算法概述与分类

集成算法概述

核心思想：综合多个模型（"多个专家"）的判断，以获得比单一模型更好的预测效果。

常见结合策略：

简单平均法

加权平均法

投票法（少数服从多数）

集成算法的分类

根据个体学习器之间的依赖关系和生成方式，集成学习分为三类：

1. Bagging（Bootstrap Aggregation）

特点：并行训练多个基学习器，彼此之间无强依赖。

代表算法：随机森林（Random Forest）

通过数据采样随机和特征选择随机构建多棵决策树。

分类任务使用投票法，回归任务使用平均法。

优势：

处理高维数据，无需特征选择。

可评估特征重要性。

支持并行化，训练速度快。

可可视化分析。

2. Boosting

特点：串行训练多个弱学习器，根据前一轮结果调整样本权重。

代表算法：AdaBoost

步骤：

1. 初始化样本权重。

2. 训练弱分类器，调整错分样本权重。

3. 组合多个弱分类器，按准确率赋予不同权重。

思想：逐步强化模型，重点关注难分的样本。

3. Stacking

特点：堆叠多种不同类型的模型，分阶段训练。

第一阶段：多个基模型独立预测。

第二阶段：使用第一阶段结果训练一个元模型（meta-model）进行最终预测。

可融合多种模型：如KNN、SVM、随机森林等。