集成学习、Bagging集成原理、随机森林构造过程、随机森林api与案例、boosting集成原理、梯度提升决策树(GBDT）、XGBoost与泰勒展开式

news2024/11/26 22:51:31

一、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，工作原理是生成多个分类器/模型，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

机器学习的两个核心任务

集成学习中boosting和Bagging

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、Bagging集成原理

bagging集成优点：Bagging + 决策树/线性回归/逻辑回归/深度学习… = bagging集成学习方法，经过该方式组成的集成学习方法，均可在原有算法上提高约2%左右的泛化正确率，且简单、方便、通用

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.训练分类器

3.平权投票，获取最终结果

4.主要实现过程小结

三、随机森林构造过程

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个别树输出的类别的众数而定，随机森林 = Bagging + 决策树

例如训练了5个树，其中有4个树的结果是True，1个树的结果是False，那么最终投票结果就是True

随机森林够造过程中的关键步骤（用N来表示训练用例（样本）的个数，M表示特征数目）：

一次随机选出一个样本，有放回的抽样，重复N次（有可能出现重复的样本）
随机去选出m个特征，m<<M，建立决策树

随机抽样训练集原因：若不进行随机抽样，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
有放回地抽样原因：若不是有放回的抽样，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”，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

四、随机森林api介绍

sklearn.ensemble.RandomForestClassifier(n_estimators=10, criterion=’gini’, max_depth=None, bootstrap=True, random_state=None, min_samples_split=2)
- n_estimators：整型，可选，默认为10，森林里的树木数量120,200,300,500,800,1200
- Criterion：string，可选，默认为“gini”，分割特征的测量方法
- max_depth：整型或None，可选，默认None，树的最大深度 5,8,15,25,30
- max_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，可选，默认为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

五、随机森林预测案例

使用泰坦尼克号乘客生存数据操作过程如下

完整代码如下

import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split,GridSearchCV
# from sklearn.tree import DecisionTreeClassifier, export_graphviz
from sklearn.ensemble import RandomForestClassifier
data = pd.read_csv('../data/train.csv')
data
------------------------------------------------------------------
data.describe()

# 数据基本处理,确定特征值、目标值
x = data[["Pclass", "Age", "Sex"]]
x

y = data["Survived"]
y.head()

# 缺失值需要处理，将特征当中有类别的这些特征进行字典特征抽取
x['Age'].fillna(value=x['Age'].mean(), inplace=True)
x

# 数据集划分
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22, test_size=0.2)
x.head()

# 特征工程(字典特征抽取)
# x.to_dict(orient="records") 需要将数组特征转换成字典数据
x_train = x_train.to_dict(orient="records")
x_test = x_test.to_dict(orient="records")
x_train

# 特征中出现类别符号，需要进行one-hot编码处理(DictVectorizer)
transfer = DictVectorizer()  # 实例化一个转换器类
x_train = transfer.fit_transform(x_train)   # 调用fit_transform方法输入数据并转换,返回sparse矩阵
x_test = transfer.fit_transform(x_test)
x_train
-------------------------------------------------------
# 机器学习（随机森林）,模型训练
estimator = RandomForestClassifier()
param_grid = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}   # 定义超参数的选择列表
estimator = GridSearchCV(estimator,param_grid=param_grid,cv=5)   # 使用GridSearchCV进行网格搜索,超参数调优
estimator.fit(x_train, y_train)

estimator.best_estimator_

# 模型评估
x_predict = estimator.predict(x_test)   # 预测值
x_predict

estimator.score(x_test, y_test)  # 准确率

六、boosting集成原理

boosting：随着学习的积累从弱到强，简而言之就是每新加入一个弱学习器，整体能力就会得到提升，代表算法有Adaboost，GBDT，XGBoost

实现过程如下

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

6.整体过程实现

关键点

AdaBoost的构造过程小结

bagging集成与boosting集成的区别

区别	Bagging	Boosting
数据方面	对数据进行采样训练	根据前一轮学习结果调整数据的重要性
投票方面	所有学习器平权投票	对学习器进行加权投票
学习顺序	学习是并行的，每个学习器没有依赖关系	学习是串行，学习有先后顺序
主要作用	用于提高泛化性能（解决过拟合，也可以说降低方差）	用于提高训练精度（解决欠拟合，也可以说降低偏差）

api介绍：from sklearn.ensemble import AdaBoostClassifier

api链接:sklearn.ensemble.AdaBoostClassifier — scikit-learn 1.2.0 documentation

七、梯度提升决策树(GBDT）

梯度提升决策树(GBDT Gradient Boosting Decision Tree)：是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。

GBDT = 梯度下降 + Boosting + 决策树

GBDT主要执行思想