集成學(xué)習(xí)

基本思想：如果單個(gè)分類器表現(xiàn)的很好，那么為什么不適用多個(gè)分類器呢？

通過集成學(xué)習(xí)可以提高整體的泛化能力，但是這種提高是有條件的：

（1）分類器之間應(yīng)該有差異性；

（2）每個(gè)分類器的精度必須大于0.5；

如果使用的分類器沒有差異，那么集成起來的分類結(jié)果是沒有變化的。如下圖所示，分類器的精度p<0.5，隨著集成規(guī)模的增加，分類精度不斷下降；如果精度大于p>0.5，那么最終分類精度可以趨向于1。

接下來需要解決的問題是如何獲取多個(gè)獨(dú)立的分類器呢？

我們首先想到的是用不同的機(jī)器學(xué)習(xí)算法訓(xùn)練模型，比如決策樹、k-NN、神經(jīng)網(wǎng)絡(luò)、梯度下降、貝葉斯等等，但是這些分類器并不是獨(dú)立的，它們會犯相同的錯(cuò)誤，因?yàn)樵S多分類器是線性模型，它們最終的投票（voting）不會改進(jìn)模型的預(yù)測結(jié)果。

既然不同的分類器不適用，那么可以嘗試將數(shù)據(jù)分成幾部分，每個(gè)部分的數(shù)據(jù)訓(xùn)練一個(gè)模型。這樣做的優(yōu)點(diǎn)是不容易出現(xiàn)過擬合，缺點(diǎn)是數(shù)據(jù)量不足導(dǎo)致訓(xùn)練出來的模型泛化能力較差。

下面介紹兩種比較實(shí)用的方法Bagging和Boosting。

?

Bagging（Bootstrap Aggregating）算法

?

Bagging是通過組合隨機(jī)生成的訓(xùn)練集而改進(jìn)分類的集成算法。Bagging每次訓(xùn)練數(shù)據(jù)時(shí)只使用訓(xùn)練集中的某個(gè)子集作為當(dāng)前訓(xùn)練集（有放回隨機(jī)抽樣），每一個(gè)訓(xùn)練樣本在某個(gè)訓(xùn)練集中可以多次或不出現(xiàn)，經(jīng)過T次訓(xùn)練后，可得到T個(gè)不同的分類器。對一個(gè)測試樣例進(jìn)行分類時(shí)，分別調(diào)用這T個(gè)分類器，得到T個(gè)分類結(jié)果。最后把這T個(gè)分類結(jié)果中出現(xiàn)次數(shù)多的類賦予測試樣例。這種抽樣的方法叫做bootstrap，就是利用有限的樣本資料經(jīng)由多次重復(fù)抽樣，重新建立起足以代表原始樣本分布之新樣本。

Bagging算法基本步驟：

因?yàn)槭请S機(jī)抽樣，那這樣的抽樣只有63%的樣本是原始數(shù)據(jù)集的。

Bagging的優(yōu)勢在于當(dāng)原始樣本中有噪聲數(shù)據(jù)時(shí)，通過bagging抽樣，那么就有1/3的噪聲樣本不會被訓(xùn)練。對于受噪聲影響的分類器，bagging對模型是有幫助的。所以說bagging可以降低模型的方差，不容易受噪聲的影響，廣泛應(yīng)用在不穩(wěn)定的模型，或者傾向于過擬合的模型。

?

Boosting算法

Boosting算法指將弱學(xué)習(xí)算法組合成強(qiáng)學(xué)習(xí)算法，它的思想起源于Valiant提出的PAC(Probably Approximately Correct)學(xué)習(xí)模型。

基本思想：不同的訓(xùn)練集是通過調(diào)整每個(gè)樣本對應(yīng)的權(quán)重實(shí)現(xiàn)的，不同的權(quán)重對應(yīng)不同的樣本分布，而這個(gè)權(quán)重為分類器不斷增加對錯(cuò)分樣本的重視程度。

1. 首先賦予每個(gè)訓(xùn)練樣本相同的初始化權(quán)重，在此訓(xùn)練樣本分布下訓(xùn)練出一個(gè)弱分類器；

2. 利用該弱分類器更新每個(gè)樣本的權(quán)重，分類錯(cuò)誤的樣本認(rèn)為是分類困難樣本，權(quán)重增加，反之權(quán)重降低，得到一個(gè)新的樣本分布；

3. 在新的樣本分布下，在訓(xùn)練一個(gè)新的弱分類器，并且更新樣本權(quán)重，重復(fù)以上過程T次，得到T個(gè)弱分類器。

通過改變樣本分布，使得分類器聚集在那些很難分的樣本上，對那些容易錯(cuò)分的數(shù)據(jù)加強(qiáng)學(xué)習(xí)，增加錯(cuò)分?jǐn)?shù)據(jù)的權(quán)重。這樣錯(cuò)分的數(shù)據(jù)再下一輪的迭代就有更大的作用（對錯(cuò)分?jǐn)?shù)據(jù)進(jìn)行懲罰）。對于這些權(quán)重，一方面可以使用它們作為抽樣分布，進(jìn)行對數(shù)據(jù)的抽樣；另一方面，可以使用權(quán)值學(xué)習(xí)有利于高權(quán)重樣本的分類器，把一個(gè)弱分類器提升為一個(gè)強(qiáng)分類器。

弱分類器

Boosting處理過程

Boosting算法通過權(quán)重投票的方式將T個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。只要弱分類器的分類精度高于50%，將其組合到強(qiáng)分類器里，會逐漸降低強(qiáng)分類器的分類誤差。

由于Boosting將注意力集中在難分的樣本上，使得它對訓(xùn)練樣本的噪聲非常敏感，主要任務(wù)集中在噪聲樣本上，從而影響最終的分類性能。

對于Boosting來說，有兩個(gè)問題需要回答：一是在每一輪如何如何改變訓(xùn)練數(shù)據(jù)的概率分布；二是如何將多個(gè)弱分類器組合成一個(gè)強(qiáng)分類器。而且存在一個(gè)重大的缺陷：該分類算法要求預(yù)先知道弱分類器識別準(zhǔn)確率的下限。

?

AdaBoosting算法

針對上述Boosting存在的缺陷和問題，Freund和Schapire根據(jù)在線分配算法理論提出了AdaBoost算法，是一種改進(jìn)的Boosting分類算法。

(1)提高那些被前幾輪弱分類器線性組成的分類器錯(cuò)誤分類的的樣本的權(quán)值，這樣做能夠?qū)⒚看斡?xùn)練的焦點(diǎn)集中在比較難分的訓(xùn)練樣本上；

(2)將弱分類器有機(jī)地集成起來，使用加權(quán)投票機(jī)制代替平均投票機(jī)制，從而使識別準(zhǔn)確率較高的弱分類器具有較大的權(quán)重，使其在表決中起較大的作用，相反，識別準(zhǔn)確率較低的分類器具有較小的權(quán)重，使其在表決中起較小的作用。

與Boosting分類算法相比，AdaBoost算法不需要預(yù)先獲得弱分類算法識別準(zhǔn)確率的下限(弱分類器的誤差)，只需關(guān)注于所有弱分類算法的分類精度(分類準(zhǔn)確率略大于50％)。

?

AdaBoosting算法

訓(xùn)練數(shù)據(jù):

(x₁, y₁), …, (x_m, y_m),其中 x_i∈X, y_i∈Y={-1, +1}

?

D_t(i): 樣本x_i在第t次迭代的權(quán)重，D₁(i)=1/m

h_t(X)：弱分類器C_t訓(xùn)練得到的判別函數(shù),h_t:X->{-1, +1}

ε_t：h_t(X)的錯(cuò)誤率，加權(quán)分類誤差（weighted error）

?

αt：分類器的系數(shù)，根據(jù)誤差計(jì)算，誤差越小，權(quán)重越大

上面權(quán)重D_t+1(i)的更新是基于前一步的權(quán)重D_t(i)，而非局域全局更新。

?

AdaBoost分類算法是一種自適應(yīng)提升的方法，由于訓(xùn)練的過程是重復(fù)使用相同的訓(xùn)練集，因而不要求數(shù)據(jù)集很大，其自身就可以組合任意數(shù)量的基分類器。在AdaBoost算法中，盡管不同的基分類器使用的訓(xùn)練集稍有差異，但這種差異是隨機(jī)選擇造成的，所不同的是，這種差異是前一個(gè)基分類器的誤差函數(shù)。而提升的過程是針對一個(gè)特定問題的實(shí)際性能，顯然這就依賴于具體的數(shù)據(jù)和單個(gè)基分類器的性能。因此，訓(xùn)練的過程需要有充足的訓(xùn)練數(shù)據(jù)，并且基分類器應(yīng)當(dāng)是弱的但又不至于太弱(即分類準(zhǔn)確率略大于50％)，而提升的過程對噪聲和離群點(diǎn)的干擾尤為明顯。

Boosting與Bagging的不同之處：

1、Bagging的訓(xùn)練集是隨機(jī)的，以獨(dú)立同分布選取的訓(xùn)練樣本子集訓(xùn)練弱分類器，而Boosting訓(xùn)練集的選擇不是獨(dú)立的，每一次選擇的訓(xùn)練集都依賴于上一次學(xué)習(xí)的結(jié)果，根據(jù)錯(cuò)誤率取樣，因此Boosting的分類精度在大多數(shù)數(shù)據(jù)集中要優(yōu)于Bagging，但是在有些數(shù)據(jù)集中，由于過擬合的原因，Boosting的精度會退化。
2、Bagging的每個(gè)預(yù)測函數(shù)(即弱假設(shè))沒有權(quán)重，而Boosting根據(jù)每一次訓(xùn)練的訓(xùn)練誤差得到該次預(yù)測函數(shù)的權(quán)重；
3、Bagging的各個(gè)預(yù)測函數(shù)可以并行生成，而Boosting的只能順序生成。

4、Bagging是減少variance，而Boosting是減少bias。

參考資料：

Ensemble methods. Bagging and Boosting

Bagging, boosting and stacking in machine learning

HITSCIR-TM zkli-李澤魁 Bagging & Boosting

_______________________________

1、集成學(xué)習(xí)概述

1.1 集成學(xué)習(xí)概述

集成學(xué)習(xí)在機(jī)器學(xué)習(xí)算法中具有較高的準(zhǔn)去率，不足之處就是模型的訓(xùn)練過程可能比較復(fù)雜，效率不是很高。目前接觸較多的集成學(xué)習(xí)主要有2種：基于Boosting的和基于Bagging，前者的代表算法有Adaboost、GBDT、XGBOOST、后者的代表算法主要是隨機(jī)森林。

1.2 集成學(xué)習(xí)的主要思想?
集成學(xué)習(xí)的主要思想是利用一定的手段學(xué)習(xí)出多個(gè)分類器，而且這多個(gè)分類器要求是弱分類器，然后將多個(gè)分類器進(jìn)行組合公共預(yù)測。核心思想就是如何訓(xùn)練處多個(gè)弱分類器以及如何將這些弱分類器進(jìn)行組合。

1.3、集成學(xué)習(xí)中弱分類器選擇?
一般采用弱分類器的原因在于將誤差進(jìn)行均衡，因?yàn)橐坏┠硞€(gè)分類器太強(qiáng)了就會造成后面的結(jié)果受其影響太大，嚴(yán)重的會導(dǎo)致后面的分類器無法進(jìn)行分類。常用的弱分類器可以采用誤差率小于0.5的，比如說邏輯回歸、SVM、神經(jīng)網(wǎng)絡(luò)。

1.4、多個(gè)分類器的生成?
可以采用隨機(jī)選取數(shù)據(jù)進(jìn)行分類器的訓(xùn)練，也可以采用不斷的調(diào)整錯(cuò)誤分類的訓(xùn)練數(shù)據(jù)的權(quán)重生成新的分類器。

1.5、多個(gè)弱分類區(qū)如何組合?
基本分類器之間的整合方式，一般有簡單多數(shù)投票、權(quán)重投票，貝葉斯投票，基于D-S證據(jù)理論的整合，基于不同的特征子集的整合。

2、Boosting算法

2.1 基本概念

Boosting方法是一種用來提高弱分類算法準(zhǔn)確度的方法,這種方法通過構(gòu)造一個(gè)預(yù)測函數(shù)系列,然后以一定的方式將他們組合成一個(gè)預(yù)測函數(shù)。他是一種框架算法,主要是通過對樣本集的操作獲得樣本子集,然后用弱分類算法在樣本子集上訓(xùn)練生成一系列的基分類器。他可以用來提高其他弱分類算法的識別率,也就是將其他的弱分類算法作為基分類算法放于Boosting 框架中,通過Boosting框架對訓(xùn)練樣本集的操作,得到不同的訓(xùn)練樣本子集,用該樣本子集去訓(xùn)練生成基分類器;每得到一個(gè)樣本集就用該基分類算法在該樣本集上產(chǎn)生一個(gè)基分類器,這樣在給定訓(xùn)練輪數(shù) n 后,就可產(chǎn)生 n 個(gè)基分類器,然后Boosting框架算法將這 n個(gè)基分類器進(jìn)行加權(quán)融合,產(chǎn)生一個(gè)最后的結(jié)果分類器,在這 n個(gè)基分類器中,每個(gè)單個(gè)的分類器的識別率不一定很高,但他們聯(lián)合后的結(jié)果有很高的識別率,這樣便提高了該弱分類算法的識別率。在產(chǎn)生單個(gè)的基分類器時(shí)可用相同的分類算法,也可用不同的分類算法,這些算法一般是不穩(wěn)定的弱分類算法,如神經(jīng)網(wǎng)絡(luò)(BP) ,決策樹(C4.5)等。

2.2、Adaboost

Adaboost是boosting中較為代表的算法，基本思想是通過訓(xùn)練數(shù)據(jù)的分布構(gòu)造一個(gè)分類器，然后通過誤差率求出這個(gè)若弱分類器的權(quán)重，通過更新訓(xùn)練數(shù)據(jù)的分布，迭代進(jìn)行，直到達(dá)到迭代次數(shù)或者損失函數(shù)小于某一閾值。

Adaboost的算法流程：?
假設(shè)訓(xùn)練數(shù)據(jù)集為T={(X1,Y1),(X2,Y2),(X3,Y3),(X4,Y4),(X5,Y5)} 其中Yi={-1,1}

1、初始化訓(xùn)練數(shù)據(jù)的分布?
訓(xùn)練數(shù)據(jù)的權(quán)重分布為D={W11,W12,W13,W14,W15},其中W1i=1/N。即平均分配。

2、選擇基本分類器?
這里選擇最簡單的線性分類器y=aX+b ，分類器選定之后，最小化分類誤差可以求得參數(shù)。

3、計(jì)算分類器的系數(shù)和更新數(shù)據(jù)權(quán)重?
誤差率也可以求出來為e1.同時(shí)可以求出這個(gè)分類器的系數(shù)。基本的Adaboost給出的系數(shù)計(jì)算公式為?
然后更新訓(xùn)練數(shù)據(jù)的權(quán)重分布，?
（圖片來自李航的統(tǒng)計(jì)學(xué)習(xí)方法）?

4、分類器的組合

?
當(dāng)然這種組合方式基于分類器的系數(shù)的，而分類器的系數(shù)又是根據(jù)誤差率求出來的，所以Adaboots最后影響的就是如何使用誤差率，以及訓(xùn)練數(shù)據(jù)更新權(quán)重的的計(jì)算系數(shù)。

5、Adaboost的一些問題

Adaboost中涉及到一些可以進(jìn)行調(diào)整的參數(shù)和計(jì)算公式的選擇主要有以下幾點(diǎn)：

**弱分類器如何選擇?
**如何更好的實(shí)驗(yàn)誤差率計(jì)算分類器的系數(shù)?
**如何更好的計(jì)算訓(xùn)練數(shù)據(jù)的權(quán)重的分布?
**弱分類器如何進(jìn)行組合?
**迭代次數(shù)?
**損失函數(shù)的閾值選取多少

3、Bagging算法

bagging方法bootstrap aggregating的縮寫，采用的是隨機(jī)有放回的選擇訓(xùn)練數(shù)據(jù)然后構(gòu)造分類器，最后組合。這里以隨機(jī)森林為例進(jìn)行講解。?
隨機(jī)森林算法概述

隨機(jī)森林算法是上世紀(jì)八十年代Breiman等人提出來的，其基本思想就是構(gòu)造很多棵決策樹，形成一個(gè)森林，然后用這些決策樹共同決策輸出類別是什么。隨機(jī)森林算法及在構(gòu)建單一決策樹的基礎(chǔ)上的，同時(shí)是單一決策樹算法的延伸和改進(jìn)。在整個(gè)隨機(jī)森林算法的過程中，有兩個(gè)隨機(jī)過程，第一個(gè)就是輸入數(shù)據(jù)是隨機(jī)的從整體的訓(xùn)練數(shù)據(jù)中選取一部分作為一棵決策樹的構(gòu)建，而且是有放回的選取；第二個(gè)就是每棵決策樹的構(gòu)建所需的特征是從整體的特征集隨機(jī)的選取的，這兩個(gè)隨機(jī)過程使得隨機(jī)森林很大程度上避免了過擬合現(xiàn)象的出現(xiàn)。

隨機(jī)森林算法具體的過程：

1、從訓(xùn)練數(shù)據(jù)中選取n個(gè)數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入，一般情況下n是遠(yuǎn)小于整體的訓(xùn)練數(shù)據(jù)N的，這樣就會造成有一部分?jǐn)?shù)據(jù)是無法被去到的，這部分?jǐn)?shù)據(jù)稱為袋外數(shù)據(jù)，可以使用袋外數(shù)據(jù)做誤差估計(jì)。

2、選取了輸入的訓(xùn)練數(shù)據(jù)的之后，需要構(gòu)建決策樹，具體方法是每一個(gè)分裂結(jié)點(diǎn)從整體的特征集M中選取m個(gè)特征構(gòu)建，一般情況下m遠(yuǎn)小于M。

3、在構(gòu)造每棵決策樹的過程中，按照選取最小的基尼指數(shù)進(jìn)行分裂節(jié)點(diǎn)的選取進(jìn)行決策樹的構(gòu)建。決策樹的其他結(jié)點(diǎn)都采取相同的分裂規(guī)則進(jìn)行構(gòu)建，直到該節(jié)點(diǎn)的所有訓(xùn)練樣例都屬于同一類或者達(dá)到樹的最大深度。

4、 重復(fù)第2步和第3步多次，每一次輸入數(shù)據(jù)對應(yīng)一顆決策樹，這樣就得到了隨機(jī)森林，可以用來對預(yù)測數(shù)據(jù)進(jìn)行決策。

5、 輸入的訓(xùn)練數(shù)據(jù)選擇好了，多棵決策樹也構(gòu)建好了，對待預(yù)測數(shù)據(jù)進(jìn)行預(yù)測，比如說輸入一個(gè)待預(yù)測數(shù)據(jù)，然后多棵決策樹同時(shí)進(jìn)行決策，最后采用多數(shù)投票的方式進(jìn)行類別的決策。

隨機(jī)森林算法圖示

隨機(jī)森林算法的注意點(diǎn)：

1、 在構(gòu)建決策樹的過程中是不需要剪枝的。?
2、 整個(gè)森林的樹的數(shù)量和每棵樹的特征需要人為進(jìn)行設(shè)定。?
3、 構(gòu)建決策樹的時(shí)候分裂節(jié)點(diǎn)的選擇是依據(jù)最小基尼系數(shù)的。

隨機(jī)森林有很多的優(yōu)點(diǎn)：

a. 在數(shù)據(jù)集上表現(xiàn)良好，兩個(gè)隨機(jī)性的引入，使得隨機(jī)森林不容易陷入過擬合。

b. 在當(dāng)前的很多數(shù)據(jù)集上，相對其他算法有著很大的優(yōu)勢，兩個(gè)隨機(jī)性的引入，使得隨機(jī)森林具有很好的抗噪聲能力。

c. 它能夠處理很高維度（feature很多）的數(shù)據(jù)，并且不用做特征選擇，對數(shù)據(jù)集的適應(yīng)能力強(qiáng)：既能處理離散型數(shù)據(jù)，也能處理連續(xù)型數(shù)據(jù)，數(shù)據(jù)集無需規(guī)范化。

d. 在創(chuàng)建隨機(jī)森林的時(shí)候，對generlization error使用的是無偏估計(jì)。

e. 訓(xùn)練速度快，可以得到變量重要性排序。

f. 在訓(xùn)練過程中，能夠檢測到feature間的互相影響。

g 容易做成并行化方法。

h. 實(shí)現(xiàn)比較簡單。

總結(jié)

以上是生活随笔為你收集整理的集成学习算法总结----Boosting和Bagging的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。