从零开始学习机器学习六：集成学习

目标

• 了解集成学习中主要解决的两个核心任务
• 知道bagging集成原理
• 知道随机森林决策树的建立过程
• 知道为什么需要随机有放回(Bootstrap)的抽样
• 应用RandomForestClassifie实现随机森林算法
• 知道boosting集成原理
• 知道bagging和boosting的区别
• 了解gbdt实现过程

1 集成学习简介

1.1 认识集成学习

• 概念

  集成学习通过建立几个模型来解决单一预测问题。它的工作原理是生成多个分类器/模型，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。

  

  • 集成学习中的boosting和bagging

    

    只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的。

• 机器学习的两个核心

  

2 Bagging&随机森林

2.1 Bagging集成原理

目标：把下图的圈和方块进行分类

• 采样不同数据集

  

• 训练分类器

  

• 平权投票，获取最终结果

  

• 实现小结

  

2.2 随机森林构造

• 概念

  在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。

  随机森林 = Bagging + 决策树

  

  例如, 如果你训练了5个树, 其中有4个树的结果是True, 1个树的结果是False, 那么最终投票结果就是True

• 实现

  随机森林够造过程中的关键步骤（用N来表示训练用例（样本）的个数，M表示特征数目）：

  • 一次随机选出一个样本，有放回的抽样，重复N次（有可能出现重复的样本）
  • 随机去选出m个特征, m <<M，建立决策树

• 思考

  • 为什么要随机抽样训练集？
    • 如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
  • 为什么要有放回地抽样？
    • 如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

2.3 随机森林API

• sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
  • n_estimators：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200
  • Criterion：string，可选（default =“gini”）分割特征的测量方法
  • max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30
  • max_features="auto”,每个决策树的最大特征数量
    • If “auto”, then max_features=sqrt(n_features).
    • If “sqrt”, then max_features=sqrt(n_features)(same as “auto”).
    • If “log2”, then max_features=log2(n_features).
    • If None, then max_features=n_features.
  • bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样
  • min_samples_split:节点划分最少样本数
  • min_samples_leaf:叶子节点的最小样本数
• 超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

2.4 随机森林案例

注意

• 随机森林的建立过程
• 树的深度、树的个数等需要进行超参数调优

# 实例化随机森林，去进行预测
rf = RandomForestClassifier()

# 定义超参数的选择列表
param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

# 使用GridSearchCV进行网格搜索，超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)
gc.fit(x_train, y_train)
print("随机森林预测的准确率为：", gc.score(x_test, y_test))

2.5 bagging集成优点

• 优点

  Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法

  经过上面方式组成的集成学习方法:

  1. 均可在原有算法上提高约2%左右的泛化正确率
  2. 简单, 方便, 通用

3 Boosting

3.1 boosting集成原理

• 什么是boosting

  随着学习的积累从弱到强

  简而言之：每新加入一个弱学习器，整体能力就会得到提升

  代表算法：Adaboost，GBDT，XGBoost

• 实现过程

  1. 训练第一个学习器

     

  2. 调整数据分布

     

  3. 训练第二个学习器

     

  4. 再次调整数据分布

     

  5. 依次训练学习器，调整数据分布

     

  6. 整体过程实现

     

• 关键点

  • 如何确认投票权重？

  • 如何调整数据分布？

    

• bagging集成与bagging集成的区别

  • 区别一

    • Bagging：对数据进行采样训练；
    • Boosting：根据前一轮学习结果调整数据的重要性。

  • 区别二

    • Bagging：所有学习器平权投票；
    • Boosting：对学习器进行加权投票。

  • 区别三

    • Bagging的学习是并行的，每个学习器没有依赖关系；
    • Boosting学习是串行，学习有先后顺序。

  • 区别四

    • Bagging主要用于提高泛化性能（解决过拟合，也可以说降低方差）
    • Boosting主要用于提高训练精度 （解决欠拟合，也可以说降低偏差）
    

• API

  • from sklearn.ensemble import AdaBoostClassifier

3.2 GBDT（了解）

梯度提升决策树(GBDT Gradient Boosting Decision Tree) 是一种迭代的决策树算法，**该算法由多棵决策树组成，所有树的结论累加起来做最终答案。**它在被提出之初就被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。

GBDT = 梯度下降 + Boosting + 决策树

• 梯度概念复习

  

• GBDT执行流程

  

• 案例：预测编号5的身高：

  编号	年龄(岁)	体重(KG)	身高(M)
  1	5	20	1.1
  2	7	30	1.3
  3	21	70	1.7
  4	30	60	1.8
  5	25	65	?

  第一步：计算损失函数，并求出第一个预测值：

  

  第二步：求解划分点

  

  第三步：通过调整后目标值，求解出h1(x)

  

  第四步：求解h2(x)

  

  得出结果：

  

  编号5身高 = 1.475 + 0.03 + 0.275 = 1.78

• GBDT主要执行思想

  1. 使用梯度下降优化代价函数
  2. 使用一层决策树作为弱学习器，负梯度作为目标值
  3. 利用boosting思想进行集成

3.3 XGBoost（了解）

XGBoost= 二阶泰勒展开+boosting+决策树+正则化

• 面试题：了解XGBoost么，请详细说说它的原理

回答要点：二阶泰勒展开，boosting，决策树，正则化

Boosting：XGBoost使用Boosting提升思想对多个弱学习器进行迭代式学习

二阶泰勒展开：每一轮学习中，XGBoost对损失函数进行二阶泰勒展开，使用一阶和二阶梯度进行优化。

决策树：在每一轮学习中，XGBoost使用决策树算法作为弱学习进行优化。

正则化：在优化过程中XGBoost为防止过拟合，在损失函数中加入惩罚项，限制决策树的叶子节点个数以及决策树叶子节点的值。

3.4 泰勒公式（拓展）

泰勒展开越多，计算结果越精确