关于集成学习的总结（二） Bagging思想

本文深入探讨了Bagging方法，特别是通过随机森林的实例，阐述了其有放回采样的特点和降低方差的优势。随机森林通过在特征选择上的随机性，提升了模型的泛化能力。极端随机树作为更激进的做法，牺牲部分偏差以换取更低的方差。文章还讨论了随机森林的优缺点、调参策略以及在实际应用中的注意事项。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Bagging 方法

本篇博客的关于随机森林的优缺点参考了https://blog.youkuaiyun.com/zhongjunlang/article/details/79488955

来自上篇投票法的启示，我们想要得到泛化性较强的集成，集成中的分类器应尽可能的相互独立。这个独立可能显示任务中很难做到，于是人们设法给基学习器较大的差异，那么怎么做呢？一种可能的方法就是对基分类器进行采样，让他产生不同的数据子集，再从每一个数据子集中训练出一个基分类器。同时我们还希望基分类器个体的效果不能太差，如果我们采样出来的每个分类器都完全不同，这就让每一个基分类只是用了一小部分数据集，难以充分利用数据集中的信息，所以我们采用了bostrap有放回的采样方法来分割实例。

集成算法中，bagging 方法会在原始训练集的随机子集上构建一类黑盒估计器的多个实例，然后把这些估计器的预测结果结合起来形成最终的预测结果。该方法通过在构建模型的过程中引入随机性，来减少基估计器的方差(例如，决策树)。在多数情况下，bagging 方法提供了一种非常简单的方式来对单一模型进行改进，而无需修改背后的算法。因为 bagging 方法可以减小过拟合，所以通常在强分类器和复杂模型上使用时表现的很好（例如，完全决策树，fully developed decision trees），相比之下 boosting 方法则在弱模型上表现更好（例如，浅层决策树，shallow decision trees）。