文章目录

• 什么是集成算法
• 常见的集成算法
• Bagging
• 随机森林
• 随机森林的特点
• 优点
• 缺点
• 树的数量
• boosting模型
• adBoost工作流程
• Stacking模型

什么是集成算法

把多个基础算法一起拿来用，就是集成算法···
目的就是让结果更加准确，让分类器的效果更好。

常见的集成算法

• Bagging——训练多个分类器取平均
• Boosting——从弱学习器开始加强，通过加权来进行训练：
  $F_m(x) = F_{m-1}(x)+argmin_h \sum_{i=1}^n L(y_i+,F_{m-1}(x_i)+h(x_i))$Fm​(x)=Fm−1​(x)+argminh​i=1∑n​L(yi​+,Fm−1​(xi​)+h(xi​))
• Stacking——聚合多个分类或回归模型(可以分阶段来做)

Bagging

bagging模型的全称：bootstrap aggregation。含义大概就是并行的去训练一堆分类器，各个分类器之间不存在强依赖关系然后结果拿来取均值。
随机森林是比较典型的bagging算法。
$f(x) = \frac{1}{M} \sum_{m=1}^Mf_m(x)$f(x)=M1​m=1∑M​fm​(x)

随机森林

• 随机指的是数据随机采样，比如有一千条数据，分成若干份，A分类器用其中的100一条，B分类器用其中的100条。。。
• 假设有N个特征，不同分类器也任意选择一些特征使用。
• 由于上面说的二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样。把最后的结果使用bagging公式取均值算出来，就是最终的结果。
• 森林指的就是决策树了，一些树放在一起就是一片森林。
• 之所以要保证随机性，就是为了要保证泛化能力。使各个分类器都不一样。
• 随机森林构建完成后，对于分类任务和回归任务的结果处理也有不同：
  1. 分类任务：最终结果等于多数分类器的结果。
  2. 回归任务：最终结果等于分类器结果的平均。

随机森林的特点

优点

• 它能够处理很高维度(feature很多)的数据，并且不用做特征选择
• 在训练完后，它能够给出哪些feature比较重要
• 容易做成并行化方法，速度比较快
• 可以进行可视化展示，便于分析
  

缺点

• 解决回归问题时，不能给出连续的输出，造成效果可能不好。
• 计算过程是个黑盒子，只能调整参数来改变结果，可解释性差。

树的数量

理论上越多的树效果会越好，但实际上基本超过一定数量就差不多上下浮动了，图中80颗树的效果也明显大于90颗。所以，什么还是要合适的数量。
什么数量最适合？不知道····自己试··· 正对应了它的缺点：计算过程是个黑盒子。

boosting模型

前面说了，从弱学习器开始加强，通过加权来进行训练就是boosting的过程。
典型代表:AdaBoost， Xgboost。
基本思想是“逐步强化”。计算过程为：

• 所有样本权重相同，训练得到第一个弱分类器。
• 根据上一轮的分类效果，调整样本的权重，上一轮分错的样本权重提高，重新进行训练。
• 重复以上步骤，直到达到约定的轮数结束。
• 由于处于分类边界的点容易分错，因此会得到更高的权重。
• 最终的结果:每个分类器根据自身的准确性来确定各自的权重，再合体。

adBoost工作流程

一次切一刀，多切几刀就分开了。

Stacking模型

把样本分成n份，使用n个分类器对样本进行计算；计算的结果作为下一层分类器的输入；可以堆叠各种各样的分类器(KNN,SVM,RF等等)。不断迭代，直到达到迭代的次数限制为止。缺点是效率低。