机器学习（五） -- 监督学习（4） -- 集成学习方法-随机森林

系列文章目录及链接

上篇：机器学习（五） -- 监督学习（3） -- 决策树
下篇：机器学习（五） -- 监督学习（5） -- 线性回归1

前言

tips：标题前有“***”的内容为补充内容，是给好奇心重的宝宝看的，可自行跳过。文章内容被“文章内容”删除线标记的，也可以自行跳过。“！！！”一般需要特别注意或者容易出错的地方。

本系列文章是作者边学习边总结的，内容有不对的地方还请多多指正，同时本系列文章会不断完善，每篇文章不定时会有修改。

由于作者时间不算富裕，有些内容的《算法实现》部分暂未完善，以后有时间再来补充。见谅！

文中为方便理解，会将接口在用到的时候才导入，实际中应在文件开始统一导入。

一、集成学习简介

集成学习（Ensemble Method）不是一种学习器，是一种学习器结合方法。

1、什么是集成学习

集成学习通过建立几个模型来解决单一预测问题。它的工作原理是生成多个学习器 ，各自独立地学习和作出预测。这些预测最后结合成组合预测，因此优于任何一个单分类的做出预测。

其中每个单独的学习器，称为基学习器。（学习器=预估器=模型，在分类中也叫分类器）

2、机器学习的两大核心任务

欠拟合=高偏差

过拟合=高方差

3、集成学习3种方法

将所有的基学习器是否是一个种类的分为同质和异质，异质的集成学习方法有Stacking。同质的按照基学习器是否存在依赖关系分为Bagging和Boosting。
Boosting：基学习器之间存在强依赖关系，一系列基学习器基本都需要串行生成
Bagging：基学习器之间不存在强依赖关系，一系列基学习器可以并行生成

3.1、Bagging（同质基学习器并行）--降低方差

bootstrap aggregation,装袋法，代表算法：随机森林（Random Forest）

各基学习器之间无强依赖，可以进行并行训练。
为了让基分类器之间互相独立，将训练集分为若干子集（有放回抽样；当训练样本数量较少时，子集之间可能有交叠）。Bagging 方法更像是一个集体决策的过程，每个个体都进行单独学习，学习的内容可以相同，也可以不同，也可以部分重叠。但由于个体之间存在差异性，最终做出的判断不会完全一致。在最终做决策时，每个个体单独作出判断，再通过投票的方式做出最后的集体决策。

Bagging 方法则是采取分而治之的策略，通过对训练样本多次采样，并分别训练出多个不同模型，然后做综合，来减小集成分类器的方差。

简单示例理解：

目标：把下面的圈和方块进行分类

实现过程：

1.采样不同数据集

2.训练学习器

3.平权投票，获取最终结果

小结

3.2、Boosting（同质基学习器串行）--降低偏差

迭代法（提升法），代表算法：AdaBoost，GBDT, XGBoost

训练基学习器时时采用串行的方式，各个基分类器之间有依赖。（迭代式学习）
将基学习器层层叠加，每一层在训练的时候，对前一层基学习器分错的样本，给予更高的权重。测试时，根据各层学习器的结果的加权得到最终结果。

Boosting 方法是通过逐步聚焦于基分类器分错的样本，减小集成分类器的偏差。

简单示例理解：

过程：

1.训练第一个学习器

2.调整数据分布

3.训练第二个学习器

4.再次调整数据分布

5.依次训练学习器，调整数据分布

小结

关键点

如何确认投票权重？

如何调整数据分布？

AdaBoost的构造小结

bagging集成与boosting集成的区别：

1、数据方面

Bagging：对数据进行采样训练；

Boosting：根据前一轮学习结果调整数据的重要性。

2、投票方面

Bagging：所有学习器平权投票；

Boosting：对学习器进行加权投票。

3、学习顺序

Bagging的学习是并行的，每个学习器没有依赖关系；

Boosting学习是串行，学习有先后顺序。

4、主要作用

Bagging主要用于提高泛化性能（解决过拟合，也可以说降低方差）

Boosting主要用于提高训练精度（解决欠拟合，也可以说降低偏差）

3.3、Stacking（≈异质基学习器叠加）--改进预测

堆叠法（叠加泛化）

简单来讲，不同的学习算法被组合在一起。

3.4、总结

1、Bagging的核心思路是民主投票，每个基础模型都只有一票，投票最多的结果作为最终的结果。

2、Boosting的核心思路是挑选精英，对基础模型进行考验和筛选，给与精英模型更多的投票权，表现不好的模型给较少的投票权，然后综合所有人的投票得到最终结果。

3、Stacking由元估计器和基础估计器两部分构成，元估计器把基础估计器的预测结果作为输入变量，最终对被解释变量做出预测。基础估计器可以由不同的算法模型（如：逻辑回归和KNN）进行组合，元估计器也可以选择完全不同的算法模型（如：决策树），以实现最终减小误差的更好效果。

只要单分类器的表现不太差，集成学习的结果总是要好于单分类器的。

二、通俗理解及定义

What(做什么),Why(为什么做),How(怎么做)

1、什么叫随机森林（What）

随机森林=Bagging+决策树

在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由多个树输出的类别的众数而定。

训练集随机
特征随机

2、随机森林的目的（Why）

通过考虑多个学习器建模结果，汇总得到一个综合结果，使单棵树的效果最大化。
（建立11棵树中的6棵树（以上）判错，随机森林才会判断错误。
决策树准确率至少百分之五十，否则随机森林的效果不会好于决策树）

3、怎么做（How）

1、随机选择m条数据
2、随机选取k个数据特征
3、训练决策树

4、重复1-3步，构造n个弱决策树
5、平权投票集成n个弱决策树

例如, 如果你训练了11个树, 其中有6个树的结果是True, 5个树的结果是False, 那么最终投票结果就是True。

三、原理理解及公式

1.为什么要随机抽样训练集？

如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的

2.为什么要有放回地抽样？

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，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

3、优缺点

3.1、优点：

bagging集成优点：

        1.均可在原有算法上提高约2%左右的泛化正确率
        2.简单, 方便, 通用
3.适用于有效地运行在大数据集上
        4.处理具有高维特征的输入样本，而且不需要降维

3.2、缺点：

四、**算法实现

五、接口实现

1、API

sklearn.ensemble.RandomForestClassifier# 导入
from sklearn.ensemble import RandomForestClassifier# 语法
RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)n_estimators：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200Criterion：string，可选（default =“gini”）分割特征的测量方法max_depth：integer或None，可选（默认=无）树的最大深度 5,8,15,25,30max_features="auto”,每个决策树的最大特征数量If "auto", then max_features=sqrt(n_features).If "sqrt", then max_features=sqrt(n_features)(same as "auto").If "log2", then max_features=log2(n_features).If None, then max_features=n_features.bootstrap：boolean，optional（default = True）是否在构建树时使用放回抽样min_samples_split:节点划分最少样本数min_samples_leaf:叶子节点的最小样本数
超参数：n_estimator, max_depth, min_samples_split,min_samples_leaf

2、流程

2.1、获取数据

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_splitfrom sklearn.ensemble import RandomForestClassifier# 获取数据
iris = load_iris()

2.2、数据预处理

# 划分数据集
x_train,x_test,y_train,y_test = train_test_split(iris.data, iris.target, test_size=0.2, random_state=1473)

2.3、特征工程

2.4、随机森林模型训练

# 实例化学习器
rf = RandomForestClassifier()# 模型训练
rf.fit(x_train, y_train)

2.5、模型评估

# 用模型计算测试值，得到预测值
y_pred=rf.predict(x_test)# 求出预测结果的准确率和混淆矩阵
from sklearn.metrics import accuracy_score, confusion_matrix
print("预测结果准确率为：", accuracy_score(y_test, y_pred))
print("预测结果混淆矩阵为：\n", confusion_matrix(y_test, y_pred))