机器学习-集成学习

前言

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。

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.

Bagging集成原理

目标：把下面的圈和方块进行分类

实现过程：

1.采样不同数据集

2.训练分类器

3.平权投票，获取最终结果

4.主要实现过程小结

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

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

代码示例:

注:数据集依旧是泰坦尼克号数据,只是换了一个模型进行预测

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.feature_extraction import DictVectorizer
#加载数据
data=pd.read_csv("./titanic.txt")
data['age'].fillna(data['age'].mean(),inplace=True)
#提取特征值
x=data[['age',"sex",'pclass']]
y=data['survived']
#数据集分割
x_train,x_test,y_train,y_test=train_test_split(x,y,random_state=22,test_size=0.2)
#使用特征提取
transfer=DictVectorizer()
x_train=transfer.fit_transform(x_train.to_dict(orient='records'))
x_test=transfer.fit_transform(x_test.to_dict(orient='records'))
#创建随机森林模型
estimator=RandomForestClassifier()
param={"n_estimators":[100,120,200],"max_depth":[5,8,10]}
#使用网格交叉验证
gc=GridSearchCV(estimator,param_grid=param,cv=5)
#训练模型
gc.fit(x_train,y_train)
#模型评估
score=gc.score(x_test,y_test)
best_score=gc.best_score_
best_index=gc.best_index_
best_params=gc.best_params_
print("准确率: \n",score)
print("最好准确率: \n",best_score)

运行结果:

准确率:
0.7908745247148289
最好准确率:
0.8371428571428572

差不多比之前的单决策树模型的准确率提高了两个点

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

Boosting集成原理

随着学习的积累从弱到强

代表算法：Adaboost，GBDT，XGBoost

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

而投票权重是根据算法计算出来的

AdaBoost的构造过程小结

bagging集成与boosting集成的区别：

区别一: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。

区别二: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。

区别三: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。

区别四: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）

Boosting的API–(Adaboost)

from sklearn.ensemble import AdaBoostClassifier

参数参考:

https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html#sklearn.ensemble.AdaBoostClassifier

demo代码:

注:数据集依旧采用泰坦尼克号数据

from sklearn.ensemble import AdaBoostClassifier
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report
import pandas as pd
import numpy as np
#读取数据
data=pd.read_csv("titanic.txt")
#处理缺失值
data["age"].fillna(data["age"].mean(),inplace=True)
#选择特征值和目标值
x=data[["age","sex","pclass"]]
y=data["survived"]
#分割数据集
x_train,x_test,y_train,y_text=train_test_split(x,y,random_state=22,test_size=0.2)
#特征值提取
transfer=DictVectorizer()
x_train=transfer.fit_transform(x_train.to_dict(orient="records"))
x_test=transfer.fit_transform(x_test.to_dict(orient="records"))
#模型建立
estimator=AdaBoostClassifier(n_estimators=100, random_state=0)
#模型训练
estimator.fit(x_train,y_train)
#得出预测值
y_pre=estimator.predict(x_test)
#模型评估
score=estimator.score(x_test,y_text)
print("准确率 \n",score)