集成学习

集成学习

基本思想

集成学习主要思想是：通过构建并结合多个机器学习来完成任务，通过一定的策略将各学习器结合。主要有两类：一类是Boosting，另一类是Bagging

Boosting：同质学习器，存在信赖关系，往往是串行的，根据误差调节样本权重，代表AdaBoost和Boost tree；

Bagging：学习器之间不存在信赖，代表算法是bagging或随机森林。

集成学习策略

1. 平均法

2. 投票法

3. 学习法

   对学习器的结果再加上一层学习器

Adaboost

Adaboost过程：先训练一个学习器1，根据误差更新训练样本权重，使得之前弱学习器1学习误差率高的样本权重变高，使得这些误差率高的在后面的弱学习器2中得到更多的重视。然后基于调整权重后的训练样本训练学习器2，如此重复进行。

需要确定的几个问题：

1）如何计算学习误差e？

2）如何得到弱学习器权重系数(alpha)?

3）如何更新样本权重D？

4）使用何种结合策略

Adaboost算法思路

分类问题

假设训练集为

[T={(x_1,y_1),(x_2,y_2),...,(x_m,y_m)} ]

训练集在第k个学习器的输出权重为

[M(k)=(w_{k1},w_{k2},...,w_{km})qquad w_{ki}=frac{1}{m}quad i=1,2,...,m ]

学习误差

以分类问题为例，假设问题为二元分类问题，输出为{-1,1}，则第k个弱分类器(G_k(x))在训练集上的加权误差为

[e_k=P(G_k(x_i) e y_i)=sum_{i=1}^mw_{ki}I(G_k(x_i) e y_i) ]

学习器权重系数

对于二元分类问题，第k个弱分类器(G_k(x))的权重系数为

[alpha_k=frac{1}{2}log frac{1-e_k}{e_k} ]

可以看出，如果分类误差(e_k)越大，刚对应的弱分类器权重系数(alpha_k)越小。

样本权重系数

假设第k个弱分类器的样本权重系数为(D(k)=(w_{k1},w_{k2},...,w_{km}))，则对应的第k+1个弱分类器的样本权重系数为

[w_{k+1}=frac{w_{ki}}{Z_K}exp (-alpha_ky_iG_k(x_i)) ]

这里(Z_k)是规范化因子

[Z_k=sum_{i=1}^mw_{ki}exp(-alpha_ky_iG_k(x_i)) ]

从(w_{k+1})可以看出，如果第i个样本分类错误，则(y_iG_k(x_i)lt 0)，导致样本权重在第k+1个弱分类器中增大，如分类正确，则权重在第k+1个弱分类器中减少。

集合策略

Adaboost使用加权表决法，最终分类器为

[f(x)=sign(sum_{k=1}^Kalpha_kG_k(x)) ]

回归问题

略。。

Adaboost损失函数、算法流程、正则化

参见刘建平博客

Adaboost小结

使用最广泛的弱学习器就是神经网络和决策树

Adaboost优点：

1. 分类精度高
2. 可以使用各类回归、分类算法，使用灵活
3. 二分类时，构建简单，可理解
4. 不易发生过拟合

Adaboost缺点：

对异常样本敏感，异常样本在迭代中可能获得较高的权重，影响学习。

sklearn Adaboost类库使用

sklearn Adaboost类库

在sklearn中Adaboost有两个类库AdaBoostClassifier和AdaBoostRegressor，分别用于实现分类和回归。

主要参数

base_estimator

弱分类器，默认是决策树，使用CART分类树DecisionTreeClassifier。

algorithm

主要是两种分类算法选择SAMME和SAMME.R，两者主要区别在于学习器权重的度量。

loss

回归时loss度量

n_estimator

学习器最大迭代次数，n太小容易欠拟合，n太大容易过拟合。默认50

learning_rate

每个弱学习器的权重系数，较小的系数意味着较多次的迭代，所以一般两个参数n_estimator和learning_rate一起进行调参。

分类器DecisionTreeClassifier参数

max_features

最大特征数，默认是None，考虑所有特征数。

max_depth

决策树最大深度

min_samples_split

内部节点再划分所需最小样本数

min_samples_leaf

叶节点最小样本数

min_weight_fraction_leaf

叶节点最小样本权重和

max_leaf_nodes

最大节点数

AdaBoost实例

from sklearn.ensemble import AdaBoostRegressor
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier

bdt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5),
                         algorithm='SAMME', n_estimators=200, learning_rate=0.8)
bdt.fit(x,y)
print(bdt.score(x,y))