BaggingClassifier

 

写在前面

Ensemble methods 组合模型的方式大致为四个：/bagging / boosting / voting / stacking ，此文主要简单叙述 bagging算法。

---

算法主要特点

Bagging:

• 平行合奏：每个模型独立构建
• 旨在减少方差，而不是偏差
• 适用于高方差低偏差模型（复杂模型）
• 基于树的方法的示例是随机森林，其开发完全生长的树（注意，RF修改生长的过程以减少树之间的相关性）

---

接下来进入主题

Bagging 算法：

WIKI百科： 
Bagging算法 （英语：Bootstrap aggregating，引导聚集算法），又称装袋算法，是机器学习领域的一种团体学习算法。最初由Leo Breiman于1994年提出。Bagging算法可与其他分类、回归算法结合，提高其准确率、稳定性的同时，通过降低结果的方差，避免过拟合的发生。

---

实现原理：

1. 数学基础 
   

2. 图例描述 
   

3. 实现描述

   在scikit-learn中， 
   参数 max_samples 和 max_features 控制子集的大小（在样本和特征方面） 
   参数 bootstrap 和 bootstrap_features 控制是否在有或没有替换的情况下绘制样本和特征。

   • Bagging又叫自助聚集，是一种根据均匀概率分布从数据中重复抽样（有放回）的技术。
   • 每个抽样生成的自助样本集上，训练一个基分类器；对训练过的分类器进行投票，将测试样本指派到得票最高的类中。
   • 每个自助样本集都和原数据一样大
   • 有放回抽样，一些样本可能在同一训练集中出现多次，一些可能被忽略。

---

实例分析：

1. 实例环境

   sklearn + anconda + jupyter

2. 实例步骤

   • 数据：可以采用 datasets 的数据，在此作者使用的是自己整理的股票行情
   • 训练、测试数据归一化
   • 参数寻优可以使用GridSearch，在此不作赘述

   参数描述： 
   

3. 代码实现

import time
import pandas as pd
from pandas import Series,DataFrame
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.model_selection import cross_val_score
from sklearn import preprocessing
from sklearn import datasets
iris = datasets.load_iris()
X,y = iris.data[:,1:3],iris.target

start = time.clock()  # 计时
min_max_scaler = preprocessing.MinMaxScaler()

# 读取训练数据 并数据规整化
raw_data  = pd.read_csv('train_data.csv')
raw_datax = raw_data[:20000]
X1_scaled = min_max_scaler.fit_transform(raw_datax.ix[:,3:7])
y1 = raw_datax['Y1']
y1 = list(y1)

# 读取测试数据 并数据规整化
raw_datat  = pd.read_csv('test_data.csv')
raw_datatx = raw_datat[:10000]
X1t_scaled = min_max_scaler.fit_transform(raw_datatx.ix[:,3:7])
y1t = raw_datatx['Y1']
y1t = list(y1t)

print len(X1_scaled)
print len(X1t_scaled)
end = time.clock()
print '运行时间:',end - start

clf = DecisionTreeClassifier().fit(X1_scaled,y1)
clfb = BaggingClassifier(base_estimator= DecisionTreeClassifier()
                         ,max_samples=0.5,max_features=0.5).fit(X1_scaled,y1)

predict = clf.predict(X1t_scaled)
predictb = clfb.predict(X1t_scaled)

print clf.score(X1t_scaled,y1t)
print clfb.score(X1t_scaled,y1t)

# print Series(predict).value_counts()
# print Series(predictb).value_counts()

方法总结

• Bagging通过降低基分类器的方差，改善了泛化误差
• 其性能依赖于基分类器的稳定性；如果基分类器不稳定，bagging有助于降低训练数据的随机波动导致的误差；如果稳定，则集成分类器的误差主要由基分类器的偏倚引起
• 由于每个样本被选中的概率相同，因此bagging并不侧重于训练数据集中的任何特定实例

1.运用注意点 
2.优化方向点