集成学习的一些算法_集成学习算法

基本思想：“分而治之”。集成学习能够根据不同的单分类器产生的分类决策边界，产生一个集成分类器的边界，集成模型中的单个分类器起到了“分”的作用。

优势：有效降低单个分类器模型的预测误差。

 其中，m为模型数量，r为模型的错误率。当r=0.4时，集成学习模型规模和误差曲线如下图。

需要满足的两个条件：

①分类器之间应该具有预测差异性，这样才能提高模型的集成精确度；

②每个个体分类器的分类精度必须大于0.5，否则会起到负面效果。

（一）Bagging

Bagging采用的是有放回重采样（随机采样bootstrap）的方法。用原始训练集构建多个训练样本集合，并训练多个不同的分类器，保证每个分类器之间的差异性，并最终通过组合投票的方式构建集成分类器。

 

为什么是有放回的抽样？

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，样本之间没有交集，这样每棵树都是“有偏差的”，都是“片面的”。

（二）随机森林

“随机”包括随机选取训练样本集和随机选取分裂属性集，具体分为行采样和列采样两种方式。它在Bagging的样本随机抽样基础上，又加上了特征的随机选择，其基本思想没有脱离Bagging的范畴。

错误率影响因素：

①森林中任意两棵树的相关性：相关性越大，错误率越大（说明基分类器差异性越小）。

②森林中每棵树的分类能力：每棵树分类能力越强，整个森林的错误率越低（基分类器准确率高）。

③每棵树选择特征的数量m：减小m，树的相关性和分类能力会相应降低；增加m，两者随之增大。

关键参数和评价：

①每棵树选择的特征数量m：可以选择Square Root(K)、log2K等，其中k为样本总特征数量；也可以使用网格搜索法（Gride Search）调参，求解出最优的K参数。

②决策树的数量：一般设置为500或以上。

③自测方法：一般会有约三分之一的原始数据无法得到采样，自测方法一般选择类似于交叉验证（Cross Validation）的方法。

随机森林的优点：

①不容易陷入过拟合；

②具有很好的抗噪声能力；

③适应能力强，既能处理离散型数据，也能处理连续型数据，数据集无须规范化且能够有效地运行在大数据集上；

④通过随机分裂属性集的特点，能够处理具有高维特征的输入样本，而且不需要降维。

（三）Boosting方法

    该方法是一个迭代的过程。Boosting每次对训练集进行转换后得到加权训练集，重新训练出基模型，最后综合所有的基模型预测结果。Boosting方法通过改变样本分布，使分类器聚集在那些很难分类的样本上，对那些容易错分的数据加强学习，增加错分数据的权重。这样，错分的数据在下一轮的迭代中有更大的作用。代表算法AdaBoost。

 

数据权重的作用：

①能够使用这些权值作为抽样分布，对数据进行抽样；

②分类器可以使用权值学习，有利于高权重样本的分类器，从而把一个弱分类器提升为一个强分类器。

（四）GBDT

Gradient Boosting Decision Tree，即梯度提升决策树。该算法以CART作为弱分类器，通常由多棵决策树构成，每棵树规模都较小（即树的深度比较浅）。GBDT也是Boosting算法的一种，但它和AdaBoost算法不同。区别在于：AdaBoost算法是用前一轮弱学习器的误差来更新样本权重值，然后一轮一轮地迭代；GBDT也要迭代，但是GBDT要求弱学习器必须是CART模型，而且GBDT在模型训练时要求模型预测的样本损失尽可能小。

可理解为：每一轮预测和实际值有残差，下一轮根据残差进行预测，最后将所有预测相加得到结果。GBDT是把所有树的结论累加起来得到最终结论的，所以可以想到每棵树的结论并不是房价本身，而是房价的一个累加量。每一棵树学习的是之前所有树结论和的残差，这个残差是一个加预测值后得到真实值的累加量。

GBDT的优点在于，防止过拟合和每一步的残差计算其实变相地增大了分错实例的权重，已经分对的实例则趋向于0。

 

 

（五）XGBoost

    出自论文《XGBoost: A Scalable Tree Boosting System》陈天奇。

与GBDT不同的是，XGBoost把损失函数的二阶泰勒展开的差值作为学习目标。