📚Bagging和Boosting的概念

集成学习（Ensemble Learning）就是通过某种策略将多个模型集成起来，通过群体决策来提高决策准确率。为什么集成学习会好于单个学习器呢？原因可能有三：

训练样本可能无法选择出最好的单个学习器，由于没法选择出最好的学习器，所以干脆结合起来一起用；
假设能找到最好的学习器，但由于算法运算的限制无法找到最优解，只能找到次优解，采用集成学习可以弥补算法的不足；
可能算法无法得到最优解，而集成学习能够得到近似解。比如说最优解是一条对角线，而单个决策树得到的结果只能是平行于坐标轴的，但是集成学习可以去拟合这条对角线。

在这里插入图片描述

🐇Bagging

Bagging（Bootstrap Aggregating）是集成学习的一种方法，其思想是通过从训练集中随机抽取一定数量的样本，重复多次构建多个基本分类器，然后通过投票或平均来获得最终的预测结果。
Bagging可以有效减小模型的方差，提高模型的泛化能力。

🐇Boosting

集成学习Boosting可以将多个弱学习器（即准确率略高于随机猜测的学习器）组合成一个强学习器。
Boosting通过迭代地引入新的弱学习器，并给予它们更多的关注度，达到逐步提高集成模型准确率的目的。
在Boosting算法中，每个弱学习器的预测结果都会参与到下一次迭代中，如果预测错误，则会给这个样本一个更高的权重，并重新拟合一个新的学习器。这样，每个弱学习器都会关注于预测错误的样本，因此在多个弱学习器的组合下，集成模型的准确率得到了提高。

📚Bagging和Boosting区别

Bagging算法和Boosting都属于集成算法，最重要的假设是：当弱模型被正确组合时，我们可以得到更精确和/或更鲁棒的模型。

Bagging：利用多个过拟合的弱学习器来获得更好的效果。
Boosting：利用多个欠拟合的弱学习器来获得更好的效果。

bagging	boosting
bagging算法通常考虑的是同质弱学习器，`相互独立地并行`学习这些弱学习器，并按照某种`确定性的平均过程`将它们组合起来。	boosting算法通常考虑的也是同质弱学习器。它以一种`高度自适应`的方法`顺序地学习`这些弱学习器（每个基础模型都依赖于前面的模型），并按照某种确定性的策略将它们组合起来。
bagging 的重点在于获得一个`方差`比其组成部分`更小`的集成模型	boosting 则将主要生成`偏差`比其组成部分`更低`的强模型（即使方差也可以被减小）
Bagging采取的是`随机有放回`的均匀取样每个样本的权重相同，	Boosting的每一轮训练的`样本是固定的`，改变的是每个样本的`权重`，错误率越大的样本权重越大
Bagging`所有预测函数权值相同`	Boosting中`误差越小的预测函数权值越大`
Bagging 的各个预测函数可以`并行生成`	Boosting的各个预测函数必须`按照顺序`迭代生成

📚Bagging和Boosting具体实现

⭐️将Bagging和Boosting分别和树模型结合分别生成：

Bagging+决策树=随机森林
Boosting+决策树=GBDT

🐇随机森林

【五分钟机器学习】随机森林（RandomForest）：看我以弱搏强

在这里插入图片描述

如下图：分别从数据集中随机取一部分数据交给每一棵小树进行训练，再让每一棵小树都得出一个训练结果，最后将它们所得到的的训练结果来一个综合，即为随机森林的预测结果。
基本逻辑：
优缺点：

🐇GBDT

什么是 GBDT（梯度提升树）？【知多少】

和随机森林相比，GBDT里的树都是回归树。
GBDT里的每棵树都建立在前一棵树的基础上。
- 以苹果打分为例，我们会先训练一棵树，大体预测一下苹果们的分数
- 再去训练一棵树，去预测它们与真实分数间的差距
- 如果两者相加仍与真实分数存在差距，我们在训练第三棵树预测这部分差距
- 重复这个过程不断减少误差，将这些数的预测值加起来就是苹果的分数。