随机森林学习整理
参考文献
1.python机器学习——随机森林算法（Random Forest）
2.机器学习算法之随机森林算法详解及工作原理图解
3.随机森林
4.RandomForest:随机森林
5.随机森林（Random Forest）算法原理
6.快速理解bootstrap,bagging,boosting-三个概念
7.Bagging和Boosting的区别（面试准备）
8.Bagging 和Boosting 概念和区别
9.为什么说bagging是减少variance，而boosting是减少bias?
10.[Machine Learning & Algorithm] 随机森林（Random Forest）
整体把握：
集成学习（ensemble）思想是为了解决单个模型或者某一组参数的模型所固有的缺陷，从而整合起更多的模型，取长补短，避免局限性。随机森林就是集成学习思想下的产物，将许多棵决策树整合成森林，并合起来用来预测最终结果。
简记就是：“三个臭皮匠顶个诸葛亮”
1.一图胜千言：
2.boosting、bagging、bootstrap、Adaboost要分清：
【1】bootstrap采样方法（自助法）：（有放回产生m个自己）
Bootstrap并不是一种机器学习的训练算法，而是一种自助采样的算法！！！
自助法顾名思义，是这样一种方法：即从样本自身中再生成很多可用的同等规模的新样本，从自己中产生和自己类似的，所以叫做自助，即不借助其他样本数据。
步骤：
step1.首先，在N个样本里随机抽出一个样本x1，然后记下来，放回去；
step2.再抽出一个x2，… ，这样重复N次，即可得到N的新样本，这个新样本里可能有重复的；
step3.重复m次，就得到了m个这样的样本集合；
实际上这就是一个有放回的随机抽样问题。每一个样本在每一次抽的时候有同样的概率（1/N）被抽中。
这个方法在样本比较小的时候很有用，比如我们的样本很小，但是我们希望留出一部分用来做验证，那如果传统方法做train-validation的分割的话，样本就更小了，bias会更大，这是不希望的。而自助法不会降低训练样本的规模，又能留出验证集（因为训练集有重复的，但是这种重复又是随机的），因此有一定的优势。
【2】bagging方法（自助抽样集成 Bootstrap Aggregating）：
简记：有放回抽出m个数据集，分别训练m个模型，而后对这m个模型结果进行加权融合。
全名是bootstrap aggregating，采用的是随机有放回的选择训练数据然后构造分类器，最后组合学习到的模型来增加整体的效果。（这里面是用到bootstrap的！！）
这种方法将训练集分成m个新的训练集，然后在每个新训练集上构建一个模型，各自不相干，最后预测时我们将这个m个模型的结果进行整合，得到最终结果。整合方式就是：分类问题用majority voting，回归用均值。
随机森林实际上是一种特殊的bagging方法，它将决策树用作bagging中的模型。首先，用bootstrap方法生成m个训练集，然后，对于每个训练集，构造一颗决策树，在节点找特征进行分裂的时候，并不是对所有特征找到能使得指标（如信息增益）最大的，而是在特征中随机抽取一部分特征，在抽到的特征中间找到最优解，应用于节点，进行分裂。随机森林的方法由于有了bagging，也就是集成的思想在，实际上相当于对于样本和特征都进行了采样（如果把训练数据看成矩阵，就像实际中常见的那样，那么就是一个行和列都进行采样的过程），所以可以避免过拟合。
【3】boosting方法
Boosting系列算法属于一个算法框架，与具体基分类器的学习方法独立。它会产生一系列的分类器（预测函数，基分类器），然后对所有分类器的结果进行加权融合。虽然单个基分类器的效果不好，但是经过多个基分类器的结果融合，可以获得更高的准确率。
bagging和boosting直观上很相似，但是根本性差异在于：（并行和串行）
bagging算法的训练集往往是从原数据集中有放回的抽样得到的（原数据集的一部分），每个基分类器是相互独立的，并列的。因为每个基分类器训练方法独立且相同，所以最后分类器等权重投票。
而在boosting算法中，基分类器是依次训练的，因为分错的点在接下来的训练时会更加的被侧重，也就是说，每个基分类器的训练都是建立在之前基分类器的表现基础之上的。最后分类器加权投票。
baging的训练集选择是随机的，各轮训练集之前互相独立，而boosting的各轮训练集的选择与前面各轮的学习结果相关；bagging的各个预测函数没有权重，而boost有权重；bagging的各个函数可以并行生成，而boosting的各个预测函数只能顺序生成。
对于像神经网络这样极为消耗时间的算法，bagging可通过并行节省大量的时间开销。baging和boosting都可以有效地提高分类的准确性。在大多数数据集中，boosting的准确性要比bagging高。有一些数据集中，boosting会退化（过拟合）。
Bagging和Boosting的区别整理：
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。（直接选）
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。（有加权）
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）预测函数：
Bagging：所有预测函数的权重相等。
Boosting：每个弱分类器都有相应的权重，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。
【4】Adaboost方法
AdaBoost算法，全称adaptive boosting算法。AdaBoost算法也属于boosting算法系列，但是无论效果还是应用能力都强于之前的早期boosting版本，因此应用更加广泛。Adaboost算法属于boosting系列算法中的代表性算法。
AdaBoost具体做法：
对于一个数据集，先用任一弱分类算法训练得到一弱分类器，根据对训练集分对分错情况，对训练集样本分配权重，分错的样本权重更高。根据这个权重对训练集进行挑选得到新的训练集，权重大的样本更可能被选到，以此来侧重对于之前分错的样本的训练，得到第二个分类器。以此类推，不断训练多个基分类器，最后根据各个基分类器的准确率赋予分类器权重。当需要判别时，加权投票得最终判断结果。
3.为什么说bagging是减少variance，而boosting是减少bias
附：在Sklearn模块库中，与随机森林算法相关的函数都位于集成算法模块ensemble中，相关的算法函数包括：
【1】随机森林算法（RandomForestClassifier）
【2】袋装算法（BaggingClassifier）
【3】完全随机树算法（ExtraTreesClassifier)
【4】迭代算法（Adaboost）
【5】GBT梯度Boosting树算法（GradientBoostingClassifier）
【6】梯度回归算法（GradientBoostingRegressor）
【7】投票算法（VotingClassifier）
1）Bagging + 决策树 = 随机森林
2）AdaBoost + 决策树 = 提升树
3）Gradient Boosting + 决策树 = GBDT