集成学习思想

一、集成学习（Ensemble Learning）

集成学习的思想是将若干个学习器（分类器&回归器）组合之后产生一个新的学习器。

集成学习的主要思想：
1、Bagging：代表算法是随机森林（Random Forest）
2、Boosting：代表算法是AdaBoost、GBDT
3、Stacking：由于深度学习的发展，现已基本不用

为什么要用集成学习？

• 弱学习器之间存在一定差异，这会导致分类边界不同，将多个弱分类器合并后，可以得到更加合理的边界，减少整体错误率，实现更好的效果。
• 对于数据集过大或者过小，可分别通过划分和有放回抽样产生不同的子数据集，然后使用子数据集进行训练，产生不同的分类器，最终合并成为一个大的分类器。
• 如果数据的划分边界过于复杂，使用线性模型很难描述，那么可以训练多个模型，再进行模型的融合。
• 对于多个异构的特征集，很难进行融合，则可以考虑每个数据集训练一个分类模型，然后将多个模型融合。
  

二、Bagging思想

Bagging 方法又称为自举汇聚法（Bootstrap Aggregating），其思想是：在m 个原始数据集上通过有放回抽样的方式，重新选出m 个数据进行训练，得到一个分类器；重复上述操作n 次，得到n 个分类器。

Bagging 方法用于分类模型 – 多数投票；
Bagging 方法用于回归模型 – 求均值

Bagging 方法的弱学习器可以是基本的算法模型，如：Linear、Ridge、Lasso、Logistic、Softmax、ID3、CART、C4.5、SVM、KNN等。

Bagging 方法是有放回的抽样，且每个子集的样本数量必须有原始数据集一致，所以子集中是存在重复数据的，但是在模型训练过程中会将重复数据删除，即最终用于训练模型的数据集样本数和原始样本数是不一致的。

三、随机森林（Random Forest）

在Bagging策略的基础上修改后的一种算法

• 从原始样本集（n个样本）中用Bootstrap（有放回重采样）方法选出n 个样本；
  （注意：真正用于训练模型的是n 个样本去重后的样本集！）
• 使用去重后的子数据集训练决策树：从所有特征属性中随机选择k 个属性，从这k 个属性中选择最佳分割属性作为节点来迭代的创建决策树；
  （最终用于划分的特征属性是局部最优的）
• 重复以上两步m 次，创建m 个决策树；
• 这m 个决策树形成随机森林，通过投票表决结果来决定数据属于哪一类。

决策树：从当前节点的所有特征属性中选择最优划分属性，用于划分的特征属性是全局最优的；
随机森林：对于决策树的每一个节点，都是从当前节点的所有特征属性中随机选择k 个属性，然后从这k 个属性中选择最佳划分特征属性，用于划分的特征属性是局部最优的。

四、RF API

sklearn库中随机森林分类器RandomForestClassifer API：

sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion='gini', 
max_depth=None, min_samples_split=2, min_samples_leaf=1, min_weight_fraction_leaf=0.0, 
max_features='auto', max_leaf_nodes=None, min_impurity_split=1e-07, bootstrap=True, 
oob_score=False, n_jobs=1, random_state=None, verbose=0, warm_start=False, class_weight=None)

参数说明：

• n_estimators：森林中决策树的数量，即子模型的数量，值过小会导致欠拟合，过大会导致过拟合，一般选择50~100，默认为10。
• criterion：分类方法，可选值为’gini’和信息增益’entropy’，默认为’gini’。
• max_depth：树的最大深度，默认为None，表示一直扩展到叶子节点足够纯或者样本数小于min_samples_slpit。
• max_features：指定选择最优划分属性的时候，从多少个特征属性中选择，即k。默认为’auto’：max_features=sqrt(n_features)，一般不改动。
• min_samples_split：分割叶子节点所需的最少样本数量，默认为2。
• min_smaples_leaf：叶子节点所需的最少样本数量，默认为1。
• bootstrap：是否进行有放回重采样，默认为True。

五、总结

RF 的主要优点：

1、训练可以并行化，对于大规模样本的训练具有速度优势。

2、由于进行随机选择决策树划分特征列表，这样当样本维度较高（特征属性较多）时，仍然具有较高的训练性能。

3、可以给出各个特征的重要性列表。

4、由于存在随机抽样，训练出来的模型方差小，泛化能力强。

5、实现简单。

6、对于部分特征的缺失不敏感。

RF 的主要缺点：

1、在某些噪音比较大的特征上，模型容易陷入过拟合。

2、取值较多的划分特征对RF的决策会产生更大影响，从而有可能影响模型效果。

RF scikit-learn 相关参数