机器学习-集成学习

一、集成学习核心原理

​1.1 基本定义​

集成学习(Ensemble Learning)通过组合多个弱学习器(Weak Learner)构建强学习器,其泛化误差可表示为:

其中:

  • E:各弱学习器误差的加权平均
  • A:学习器间的多样性度量(正相关性越小,泛化能力越强)

​1.2 两大范式对比​

​特性​ ​Bagging​ ​Boosting​
​样本权重​ 均匀分布 动态调整(关注错分样本)
​训练方式​ 并行 串行
​方差-偏差​ 主要降低方差 主要降低偏差
​代表性算法​ 随机森林 Adaboost/GBDT/XGBoost

二、Bagging与随机森林数学详解(600字)

​2.1 Bootstrap抽样数学本质​

设数据集 D 含 N 个样本,有放回抽样生成子集 Dt​:

即每个子集约含63.2%的原始样本,剩余36.8%形成袋外数据(OOB)。

​2.2 随机森林双随机性​

  • ​特征随机​ :分裂时从 M 个特征随机选 m(通常

  • ​决策树构建​ :节点分裂依据基尼不纯度最小化:



三、Boosting算法数学推导
3.1 Adaboost核心公式

​权重更新机制​​:

  1. 初始权重:

  2. 第 t 轮弱学习器错误率:

  3. 学习器权重:

  4. 样本权重更新:

    复制代码
  5. 规范化:

3.2 GBDT梯度提升原理

​伪残差计算​ ​:

对于损失函数 L,第 t 轮伪残差:

ri,t​=−[∂F(xi​)∂L(yi​,F(xi​))​]F(x)=Ft−1​(x)​

  • ​平方损失​:ri,t=yi−Ft−1(xi)(残差)
  • ​绝对损失​:ri,t=sign(yi−Ft−1(xi))
  • ​对数损失​:ri,t=yi−1+e−Ft−1(xi)1

​模型更新​ ​:

Ft​(x)=Ft−1​(x)+ν∑i=1N​ri,t​⋅I(x∈Rj,t​)

其中:

  • ν:学习率(shrinkage系数)
  • Rj,t:第 t 轮树的叶子区域
3.3 XGBoost二阶泰勒展开

​目标函数分解​ ​:

其中正则项

​二阶泰勒近似​ ​:

其中:

​叶子权重解析解​ ​:

定义叶子 j 的实例集合,则最优权重:

​结构分数(增益公式)​ ​:

该公式指导特征选择与分裂点决策


关键对比总结​
​维度​ ​Bagging(如随机森林)​ ​Boosting(如Adaboost/GBDT)​
​数据使用​ 独立有放回抽样 全数据集,权重调整
​模型关系​ 并行独立训练 串行依赖训练
​过拟合风险​ 低(双重随机性) 需控制学习率和树复杂度
​代表算法​ 随机森林 Adaboost, GBDT, XGBoost

​五实践案例要点​

​ 泰坦尼克号预测​​:

特征工程:处理缺失值(Age填充均值)、类别编码(Sex的One-hot)。

随机森林 vs 决策树:RF显著提升准确率(约5-10%)。

​红酒品质分类​​:

多分类问题:XGBoost需设objective='multi:softmax'

样本不均衡:使用class_weight='balanced'调整权重。


​六高频考点解析​

Q:为什么随机森林要随机抽样和随机选特征?​

​A​​:打破弱学习器间的相关性,提升泛化能力(若所有树用相同数据/特征,投票结果相同)。

​Q:GBDT拟合的是残差还是负梯度?​

​A​​:负梯度(残差是平方损失下的特例)。

​Q:XGBoost如何防止过拟合?​

​A​ ​:正则化项(gamma控制分裂阈值,lambda约束叶子权重)+ 学习率eta缩减。

相关推荐
真智AI36 分钟前
[特殊字符] AI时代依然不可或缺:精通后端开发的10个GitHub宝藏仓库
人工智能·github·系统设计·后端开发·github资源·编码实践
deepdata_cn40 分钟前
大语言模型(LLM)的基本概念
人工智能·语言模型·自然语言处理
草莓熊Lotso43 分钟前
从 “Hello AI” 到企业级应用:Spring AI 如何重塑 Java 生态的 AI 开发
java·人工智能·经验分享·后端·spring
大千AI助手2 小时前
BIG-Bench:大规模语言模型能力的全面评估与挑战
人工智能·语言模型·自然语言处理·大模型·图灵测试·big-bench·bbh
卷Java2 小时前
智慧停车大屏数据分析与设计文档
java·大数据·人工智能·数据分析
深圳南柯电子2 小时前
纯电汽车emc整改:设计缺陷到合规达标的系统方案|深圳南柯电子
网络·人工智能·汽车·互联网·实验室·emc
朝朝暮暮Quake2 小时前
情感计算多模态融合方法
人工智能
MoRanzhi12032 小时前
2. Pandas 核心数据结构:Series 与 DataFrame
大数据·数据结构·人工智能·python·数据挖掘·数据分析·pandas
赋创小助手2 小时前
Supermicro NVIDIA Grace Superchip存储服务器超微ARS-121L-NE316R开箱评测
运维·服务器·人工智能·深度学习·机器学习·自然语言处理