TL;DR
- 场景：机器学习中单一模型性能受限时，需要通过模型集成提升泛化能力
- 结论：Bagging通过并行平权投票降方差，Boosting通过串行加权提升弱学习器降偏差，两者互补
- 产出：掌握Bagging（随机森林）、Boosting（AdaBoost/GBDT/XGBoost/LightGBM）核心原理与实践要点
版本矩阵
| 功能 | 状态 | 说明 |
|---|---|---|
| Bagging 原理 | ✅ 已验证 | Bootstrap Sampling + 平权投票，并行化提升稳定性 |
| 随机森林 | ✅ 已验证 | Bagging + 决策树，输出类别众数，天然支持并行 |
| Boosting 原理 | ✅ 已验证 | 串行加权训练，逐步提升弱学习器，从AdaBoost到GBDT演进 |
| XGBoost4J-Spark | ✅ 已验证 | 嵌入Spark Executor，支持GPU/CPU分布式，API兼容ML Pipeline |
| LightGBM-Spark | ⚠️ 待验证 | 基于直方图与Leaf-wise growth，训练速度快，依赖SynapseML |
| Spark GBT | ⚠️ 待验证 | 纯原生Java/Scala实现，功能与速度距现代框架有差距 |
集成学习
不指望单个弱模型"包打天下"，而是构造一簇互补的基学习器并让它们投票/加权，用"群体智慧"提升泛化能力、稳定性和鲁棒性。
基本定义
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，各自独立的学习和做出预测，这些预测最后结合成组合预测，因为优于任何一个单分类的做出预测。
集成学习分类
● 任务一：如何优化训练数据 - 主要用于解决欠拟合问题 ● 任务二：如何提升泛化性能 - 主要用于解决过拟合问题
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。
Bagging
集成原理
目标
把下面的圈和方块进行分类
采集不同的数据集
训练分类器
平权投票
获取最终结果
随机森林
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所有树输出的类别的众数而定。
随机森林 = Bagging + 决策树
例如，如果你训练了5个树，其中有4个树的结果是True，1个树的结果是False，那么最终投票的结果就是True，随机森林构造过程中的关键步骤（M表示特征数目）：
● 一次随机选出部分样本，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
Boosting
基本概念
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、LightGBM
Spark MLlib 的 GBT 相当于 "纯原生 Java/Scala 实现的 GBDT"，功能和速度距现代竞赛级框架（XGBoost / LightGBM / CatBoost）仍有差距。工业界常用以下两条路线把先进算法接进 Spark Pipeline：
- XGBoost4J‑Spark：将每个 XGBoost worker 嵌入 Spark executor，天然支持 GPU / CPU 分布式；API 兼容 ML Pipeline，可与 VectorAssembler、ParamGridBuilder 协同工作。
- LightGBM‑Spark（microsoft/synapseml）：基于 LightGBM 的梯度直方、Leaf‑wise growth，训练速度较快，支持类别特征原生处理与分布式训练。
使用方式大体一致： 把 XGBoostClassifier 或 LightGBMRegressor 替换到 Pipeline 里，并确保 依赖 JAR 与 native lib 在所有 executor 可见。常见踩坑点：
- 内存分配：XGBoost 需要 executor 拥有足够的 off‑heap；通过 spark.executor.memoryOverhead 和 spark.executor.cores 调整。
- 数据格式：必须把特征向量转成 Dense 或 Sparse Vector; 并避免 StringIndexer 将类别特征过度 one‑hot，使维度爆炸。
- GPU 调度：需要 spark.task.resource.gpu.amount=1 并在 YARN/K8s 上配置 spark.executor.resource.gpu.amount。
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
学习器训练及数据分布调整
整体过程
错误速查卡
| 症状 | 根因 | 定位 | 修复 |
|---|---|---|---|
| XGBoost4J-Spark OOM | executor off-heap 不足 | 检查 spark.executor.memoryOverhead 配置 | 增大 memoryOverhead 或减少 executor 并发任务数 |
| 特征维度爆炸 | StringIndexer 过度 one-hot | 检查 VectorAssembler 输入特征维度 | 使用 LabelEncoder 或保留类别特征原始值 |
| Spark GBT 训练慢 | 纯 JVM 实现无向量化优化 | 对比 XGBoost/LightGBM 训练时间 | 切换至 XGBoost4J-Spark 或 LightGBM-Spark |
| GPU 任务未调度 | YARN/K8s 未配置 GPU 资源 | 检查 spark.executor.resource.gpu.amount | 配置 spark.task.resource.gpu.amount=1 |
| 随机森林投票偏向多数类 | 类别不平衡时多数类主导 | 检查各树输出分布 | 使用加权投票或调参 classWeight |
| Boosting 过拟合 | 弱学习器数量过多/学习率过大 | 查看验证集曲线 | 减少迭代次数，降低学习率，增加正则 |
