机器学习的利器——集成算法 集成算法分为哪两大类

最近在打算法竞赛的时候用到了集成算法，效果还不错，索性就总结了一篇集成算法的文章，希望能帮到正在转行的数据分析师们。

集成算法核心思想

集成算法的核心思想是通过构建并结合多个学习器来完成学习任务，也就是通俗意义上的三个“臭皮匠”顶个“诸葛亮”。

关注问题：1、如何产生一组“个体学习器”？

2、如何利用某种策略将“个体学习器”结合起来？

集成算法种类

根据个体学习器的生成方式，最常用的集成算法可以分为两大类，即个体学习器间存在强依赖关系（多项式学习算法）必须串行生成的序列化算法【Boosting方法，代表算法：Adaboost算法和Boosting tree】，以及个体学习器之间不存在强依赖关系，通过并行生成的集成算法【bagging方法，代表算法：随机森林（Randon Forest）】

Bagging

1、算法原理：

• 从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
• 每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
• 对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

2、采样策略：

自助采样法，有放回抽样n次得到样本量为n的训练样本集用于每次基分类器的训练

3、基学习器组合策略：

对于分类问题，基分类器采用投票法得到结果，对于回归问题，通过对基分类器的预测值取平均值得到结果。

4、算法步骤：

4、随机森林

4.1算法原理：

以决策树作为基学习器构建bagging集成，并在决策树的训练过程中引入随机属性选择。

4.2随机性：

随机森林的随机性体现在样本的随机性和特征选择的随机性

Boosting

1、算法原理：

通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提升分类性能。大多数的提升方法都是改变训练数据的概率分布（权值），针对不同的训练数据分布调用弱分类算法学习一系列弱分类器。

2、Adaboost

2.1算法原理：

• 提高前一轮弱分类器错误分类样本的权值，降低正确分类样本的权值
• 弱分类器的组合，采用加权多数表决的方法，具体地，加大分类误差小的弱分类器的权值，使其在表决中起大作用，减小分类误差大的弱分类器权值

2.2算法步骤：

2.3机器学习视角的解释：

ModelSet:加法模型，基学习模型的线性组合

LossFunction：指数损失函数【分类问题】

优化策略：前向分步算法

3、提升树

3.1核心思想：

以分类树或回归树为基本分类器的提升方法，加法模型，与前向分步算法，以决策树为基分类器的提升方法，串联决策树模型，第一个决策树拟合具体数学，以后的决策树拟合前一个决策树的残差。

3.2算法步骤：

3.3机器学习视角的解释：

ModelSet:加法模型，基学习模型的线性组合

LossFunction：指数损失函数【分类问题】、平方误差损失函数【回归问题】

优化策略：前向分步算法

常见面试问题

1、bagging与boosting的区别

• 样本选择上：Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。
• 样例权重：Bagging：使用均匀取样，每个样例的权重相等Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。
• 预测函数：Bagging：所有预测函数的权重相等。Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。
• 并行计算：Bagging：各个预测函数可以并行生成

Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。

2、随机森林与GDBT（提升树）的区别：

• 随机森林采用的bagging思想，而GBDT采用的boosting思想。这两种方法都是Bootstrap思想的应用，Bootstrap是一种有放回的抽样方法思想。虽然都是有放回的抽样，但二者的区别在于：Bagging采用有放回的均匀取样，而Boosting根据错误率来取样（Boosting初始化时对每一个训练样例赋相等的权重1／n，然后用该算法对训练集训练t轮，每次训练后，对训练失败的样例赋以较大的权重），因此Boosting的分类精度要优于Bagging。Bagging的训练集的选择是随机的，各训练集之间相互独立，弱分类器可并行，而Boosting的训练集的选择与前一轮的学习结果有关，是串行的。
• 组成随机森林的树可以是分类树，也可以是回归树；而GBDT只能由回归树组成。
• 组成随机森林的树可以并行生成；而GBDT只能是串行生成。
• 对于最终的输出结果而言，随机森林采用多数投票等；而GBDT则是将所有结果累加起来，或者加权累加起来。
• 随机森林对异常值不敏感；GBDT对异常值非常敏感。
• 随机森林对训练集一视同仁；GBDT是基于权值的弱分类器的集成。
• 随机森林是通过减少模型方差提高性能；GBDT是通过减少模型偏差提高性能。