集成学习通过结合多个基学习器的预测结果来提升模型性能，主要方法包括Bagging、Boosting和Stacking。
以下是它们的详细介绍及对比：
1. Bagging
核心思想
- 并行训练：通过自助采样（Bootstrap Sampling）生成多个子数据集，每个子数据集训练一个基学习器，最终通过投票（分类）或平均（回归）集成结果。
- 目标：降低模型方差（Variance），适用于高方差、低偏差的模型（如决策树）。
关键步骤
- 采样：从原始数据集中有放回地随机抽取样本，生成多个子集（子集样本数与原始数据相同，包含重复样本）。
- 训练：每个子集独立训练一个基学习器（如决策树）。
- 集成：所有基学习器的预测结果通过多数投票或平均值聚合。
典型算法
- 随机森林（Random Forest） ：在Bagging基础上，加入特征随机选择（每棵树分裂时随机选部分特征），进一步降低方差。
优缺点
- 优点：减少过拟合，适合高方差模型；可并行训练，效率高。
- 缺点：基学习器同质化可能限制性能提升；对低偏差模型效果有限。
应用场景
- 图像分类、金融风控等需要稳定性的任务。
2. Boosting
核心思想
- 串行训练：按顺序训练基学习器，后续模型专注于纠正前序模型的错误，最终通过加权投票（如分类）或累加（如回归）集成结果。
- 目标：降低模型偏差（Bias），适用于弱学习器（仅略优于随机猜测的模型）。
关键步骤
- 初始化权重：所有样本初始权重相同。
- 迭代训练：每轮训练后，增加错误样本的权重，使后续模型更关注难例。
- 加权集成：根据模型准确率分配权重，组合所有基学习器的预测。
典型算法
- AdaBoost：通过调整样本权重，强调被误分类的样本。
- 梯度提升（GBDT、XGBoost、LightGBM） ：用梯度下降优化损失函数，逐步拟合残差。
优缺点
- 优点：显著降低偏差，对弱学习器提升明显。
- 缺点：可能过拟合噪声数据；训练无法并行，速度较慢。
应用场景
- 搜索排序（GBDT）、异常检测（AdaBoost）等复杂模式识别任务。
3. Stacking（堆叠泛化）
核心思想
- 分层训练：将多个基学习器的预测结果作为新特征，训练一个元学习器（Meta-Learner）进行最终预测。
- 目标：结合不同模型的优势，提升泛化性能。
关键步骤
- 基学习器训练：用原始数据训练多个异质模型（如SVM、决策树、KNN等）。
- 生成元特征：基学习器对训练集的预测结果作为新特征（需交叉验证避免数据泄露）。
- 元学习器训练：基于新特征训练一个高阶模型（如逻辑回归或神经网络）。
典型结构
- 基学习器层：多样化模型（异质性高效果更好）。
- 元学习器层：简单模型（如线性回归）以减少过拟合风险。
优缺点
- 优点：灵活性强，可融合不同模型优势；性能通常优于单一模型。
- 缺点：计算成本高；结构复杂，需谨慎调参。
应用场景
- 机器学习竞赛中模型融合，或需极致性能的场景。
三者的对比
| 维度 | Bagging | Boosting | Stacking |
|---|---|---|---|
| 训练方式 | 并行 | 串行 | 分层（基模型+元模型） |
| 目标 | 降低方差 | 降低偏差 | 结合不同模型的优势 |
| 数据采样 | 自助采样（有放回） | 调整样本权重 | 通常用原始数据或交叉验证 |
| 基学习器 | 同质（如全为决策树） | 同质(如全为决策树) | 异质（不同算法模型） |
| 典型算法 | 随机森林 | AdaBoost、GBDT、XGBoost | 自定义组合（如SVM+LR） |
| 过拟合风险 | 低 | 高（尤其数据噪声多时） | 中（依赖元学习器选择） |
总结
- Bagging：通过“少数服从多数”降低方差，适合高方差模型（如深度决策树）。
- Boosting：通过“逐步纠错”降低偏差，适合弱学习器（如浅层树）。
- Stacking：通过“模型协作”提升泛化能力，适合需要融合异质模型的复杂任务。
实际应用中，可结合三者特点选择：追求稳定性用Bagging，追求精度用Boosting，追求极致性能用Stacking。
