本文已参与「新人创作礼」活动，一起开启掘金创作之路。
文章目录
一 集成学习算法简介
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。
2 机器学习的两个核心任务
3 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
1 Bagging集成原理
目标：把下面的圈和方块进行分类
实现过程：
- 采样不同数据集
- 训练分类器
- 平权投票，获取最终结果
- 主要实现过程小结
2 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，如果训练了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）：
1）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）
2） 随机去选出m个特征, m <<M，建立决策树
-
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
-
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 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：integer，optional（default = 10）森林里的树木数量120,200,300,500,800,1200
Criterion：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 5,8,15,25,30
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，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
4 随机森林预测案例
- 实例化随机森林
# 随机森林去进行预测
rf = RandomForestClassifier()
- 定义超参数的选择列表
param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}
- 使用GridSearchCV进行网格搜索
# 超参数调优
gc = GridSearchCV(rf, param_grid=param, cv=2)
gc.fit(x_train, y_train)
print("随机森林预测的准确率为：", gc.score(x_test, y_test))
# 查看最好的超参数
gc.best_estimator_
注意随机森林的建立过程，树的深度、树的个数等需要进行超参数调优
5 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
经过上面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
- 简单, 方便, 通用
三 Boosting
1 boosting集成原理
1.1 什么是boosting
随着学习的积累从弱到强
简而言之：每新加入一个弱学习器，整体能力就会得到提升
代表算法：Adaboost，GBDT，XGBoost
1.2 实现过程
训练第一个学习器
调整数据分布
训练第二个学习器
再次调整数据分布
依次训练学习器，调整数据分布
整体过程实现
关键点：
如何确认投票权重？
如何调整数据分布？
Dt(x)为之前一步的权重值，初始值为1
AdaBoost的构造过程小结
bagging集成与boosting集成的区别：
- 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。
- 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。
- 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。
- 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）
1.3 api介绍
from sklearn.ensemble import AdaBoostClassifier
api链接:https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html#sklearn.ensemble.AdaBoostClassifier
2 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
2.1 梯度的概念
2.2 GBDT执行流程
如果上式中的hi(x)=决策树模型,则上式就变为:
GBDT = 梯度下降 + Boosting + 决策树
2.3 案例
预测编号5的身高:
| 编号 | 年龄(岁) | 体重(KG) | 身高(M) |
|---|---|---|---|
| 1 | 5 | 20 | 1.1 |
| 2 | 7 | 30 | 1.3 |
| 3 | 21 | 70 | 1.7 |
| 4 | 30 | 60 | 1.8 |
| 5 | 25 | 65 | ? |
第一步:计算损失函数,并求出第一个预测值:
第二步:求解划分点
得出:年龄21为划分点的方差=0.01+0.0025=0.0125
第三步:通过调整后目标值,求解得出h1(x)
第四步:求解h2(x)
得出结果:
编号5身高 = 1.475 + 0.03 + 0.275 = 1.78
2.4 GBDT主要执行思想
1.使用梯度下降法优化代价函数；
2.使用一层决策树作为弱学习器，负梯度作为目标值；
3.利用boosting思想进行集成。
3.XGBoost
XGBoost= 二阶泰勒展开+boosting+决策树+正则化
- 面试题：了解XGBoost么，请详细说说它的原理
回答要点：二阶泰勒展开，boosting，决策树，正则化
Boosting：XGBoost使用Boosting提升思想对多个弱学习器进行迭代式学习
二阶泰勒展开：每一轮学习中，XGBoost对损失函数进行二阶泰勒展开，使用一阶和二阶梯度进行优化。
决策树：在每一轮学习中，XGBoost使用决策树算法作为弱学习进行优化。
正则化：在优化过程中XGBoost为防止过拟合，在损失函数中加入惩罚项，限制决策树的叶子节点个数以及决策树叶子节点的值。
4 什么是泰勒展开式
泰勒展开越多，计算结果越精确
