集成学习—boosting和bagging

集成~bagging~权值~组合~抽样~样例~基本~并行

一、简介

　集成学习通过构建并结合多个学习器来完成学习任务，常可获得比单一学习器显著优越的泛化性能

　根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类

　　个体学习器间存在强依赖关系、必须串行生成的序列化方法

　　个体学习器间不存在强依赖关系、可同时生成的并行化方法

　前者的代表是Boosting，后者的代表是Bagging和“随机森林”

二、bagging与boosting的概念及区别

　首先介绍Bootstraping，即自助法：它是一种有放回的抽样方法（可能抽到重复的样本）

　1、Bagging (bootstrap aggregating)

　　Bagging即套袋法，其算法过程如下：

　　　A）从原始样本集中抽取训练集，每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中），共进行k轮抽取，得到k个训练集（k个训练集相互独立）

　　　B）每次使用一个训练集得到一个模型，k个训练集共得到k个模型（注：根据具体问题采用不同的分类或回归方法，如决策树、神经网络等）

　　　C）对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果

　2、Boosting

　　Boosting是一族可将弱学习器提升为强学习器的算法

　　关于Boosting的两个核心问题：

　　1）在每一轮如何改变训练数据的权值或概率分布？

　　　通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样本的权值，而误分的样本在后续受到更多的关注

　　2）通过什么方式来组合弱分类器？

　　　通过加法模型将弱分类器进行线性组合，比如AdaBoost通过加权多数表决的方式，即增大错误率小的分类器的权值，同时减小错误率较大的分类器的权值

　　　而提升树通过拟合残差的方式逐步减小残差，将每一步生成的模型叠加得到最终模型

　3、Bagging，Boosting二者之间的区别

　　1）样本选择上：

　　　Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的

　　　Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化，而权值是根据上一轮的分类结果进行调整

　　2）样例权重：

　　　Bagging：使用均匀取样，每个样例的权重相等

　　　Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大

　　3）基学习器：

　　　Bagging：所有基学习器的权重相等.

　　　Boosting：每个基学习器都有相应的权重，对于分类误差小的分类器会有更大的权重

　　4）并行计算：

　　　Bagging：各个预测函数可以并行生成

　　　Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果