周志华《机器学习—西瓜书》八

周志华《机器学习---西瓜书》八

八、集成学习

以下是按顺序整理的内容：

1. 集成学习

• 定义：使用多个学习器协同解决问题的方法（"多个模型融合"）。
• 实践表现：近十年KDDCup、Kaggle等竞赛的获胜方案几乎都用到了集成技术，是实战中提升模型性能的关键方法之一。
• 

2.好而不同

如何得到好的集成

• 核心原则：令个体学习器 "好而不同" 。

  • "好"：个体学习器的性能不能太差（如准确率高于随机猜测）；
  • "不同"：个体学习器之间要有差异性（预测结果不完全一致）。

• 示例验证：

  

  • 当个体学习器"好且不同"时，集成性能会远高于单个学习器；
  • 若个体学习器"差"或"无差异"，集成性能会很差甚至失效。

多样性是关键（误差-分歧分解）

• 理论分解：集成误差 E=Eˉ−AˉE = \bar{E} - \bar{A}E=Eˉ−Aˉ，其中：

  • Eˉ\bar{E}Eˉ：个体学习器的平均误差；
  • Aˉ\bar{A}Aˉ：个体学习器的平均"分歧"（即多样性）。

• 结论：个体学习器越准确、多样性越高，集成性能越好。

• 局限："分歧"缺乏可操作的定义，且该分解仅适用于回归任务的平方损失场景。

3. 成功的集成学习方法分类

• 序列化方法 （个体学习器按顺序训练，后一个学习器依赖前一个）：
  代表：AdaBoost、GradientBoost、LPBoost等。
• 并行化方法 （个体学习器独立训练）：
  代表：Bagging、Random Forest、Random Subspace等。

4. Boosting流程

• 核心思路：逐步调整数据集权重，让前一个学习器预测错误的样本在后续训练中获得更高权重，最终通过"加权组合"整合所有学习器。

• 流程：

  1. 从原始数据集生成初始子数据集，训练第一个学习器；
  2. 根据第一个学习器的预测结果，增加错误样本的权重，生成新的子数据集，训练第二个学习器；
  3. 重复上述步骤，得到多个学习器；
  4. 对所有学习器的输出进行加权组合，得到最终结果。

5. Bagging

• 核心思路：通过可重复采样（Bootstrap） 生成多个数据集，每个数据集训练一个个体学习器，最终通过"投票（分类）"或"平均（回归）"聚合结果。

• 流程：

  1. 从原始数据集通过Bootstrap采样（有放回随机采样）生成多个子数据集；
  2. 每个子数据集训练一个个体学习器；
  3. 分类任务：选择得票最多的类别；回归任务：取个体学习器的输出平均值。