集成学习方法简介：bagging、boosting、stacking_集成学习boosting的特点

推荐博文：https://blog.csdn.net/zwqjoy/article/details/80431496

一、集成学习
集成学习是将若干个学习器(分类器、回归器)组合之后产生一个新的学习器。
一般来说，集成学习可以分为三类：
bagging：减少方差，即防止过拟合
boosting：减少偏差，即提高训练样本正确率
stacking：提升预测结果，即提高验证精度

弱分类器(weak learner)是指那些分类准确率值只稍好于随机猜测的分类器(error<0.5);
集成算法的成功在于保证弱分类器的多样性。而且集成不稳定的算法也能够得到一个比较明显的性能提升。
选择集成学习主要原因：
1、弱分类器间存在一定的差异性，这会导致分类的边界不同，也就是说可能存在错误。那么将多个若分类器合并后，就可以得到更加合理的边界，减少整体的错误率，实现更好的效果。
2、对于数据集过大或者过小，可以分别进行划分和有放回的操作，产生不同的数据子集，然后使用数据子集训练不同的分类器，最终再合并成一个大分类器。
3、如果数据的划分边界过于复杂，使用线性模型很难描述情况，那么可以训练多个模型，然后再进行模型的融合。
4、对于多个异构的特征集，很难进行融合。那么可以考虑为每个数据集构建一个分类模型，然后将多个模型融合。

二、bagging（聚合）:有放回的随机取样（bootstraping）,将多个弱分类器集合为一个。以cart树为弱分类器的随机森林为典型。因为随机性，防止弱分类器过拟合。

弱学习器的算法模型：Linear、Ridge、Lasso、Logistic、Softmax、ID3、C4.5、CART、SVM、KNN等。但是对于对样本扰动不敏感的分类器，例如KNN，集成学习并不会有太大提高。

三、boosting（提高）:提高弱分类器的精度
（1）首先平均给定每个样本的权重，训练第一个弱分类器，使得加权误差最小。
（2）对其预测错误的样本给予较大权重，调整后续弱分类器的训练样本分布，
（3）使用调整后的样本训练第二个弱分类器，使得加权误差最小
（4）循环以上，直到达到指定的弱分类器个数T。
伪码如下：

对于训练好的弱分类器，如果是分类则按照权重进行投票，若是回归则进行加权，然后再预测。boosting和bagging的区别在于前者是对加权后的数据依次对弱分类器进行训练。

四、stacking:将多个分类模型或回归模型进行整合。基础模型利用整个训练集做训练，元模型将基础模型的输出作为特征进行训练。
基础模型通常包含不同的学习算法，例如随机森林贝叶斯等，因此stacking通常是异质集成。
例如，Otto Group Product分类挑战赛的第一名通过对30个模型做stacking赢得了冠军。他将30个模型的输出作为特征，继续在三个模型中训练，这三个模型XGBoost，Neural Network和Adaboost，最后再加权平均。
详见文章(https://www.kaggle.com/c/otto-group-product-classification-challenge/discussion/14335)。
五、基础模型、弱分类器的组合策略：
（1）平均、加权平均
（2）众数投票
（3）使用机器学习进行组合