【小白学AI】随机森林 全解 (从bagging到variance)

文章转自公众号【机器学习炼丹术】,关注回复“炼丹”即可获得海量免费学习资料哦!

为什么现在还要学习随机森林?

随机森林中仍有两个未解之谜(对我来说)。随机森林采用的bagging思想中怎么得到的62.3% 以及 随机森林和bagging的方法是否有区别。

随机森林(Random Forest)就是通过集成学习的思想将多棵决策树集成的一种算法。基本单元是决策树。随机森林算法的提出也是为了改善决策树容易存在过拟合的情况。

1 随机森林

  习惯上,我们将众多分类器(SVM、Logistic回归、决策树等)所组成的“总的分类器”,叫做随机森林。随机森林有两个关键词,一个是“随机”,一个是“森林”。森林就是成百上千棵树,体现了集成的思想,随机将会在下面总结到。

2 bagging

Bagging,其实就是bootstrap aggregating的缩写, 两者是等价的,其核心就是有放回抽样

【bagging具体步骤】

  1. 从大小为n的样本集中有放回地重采样选出n个样本;(没错就是n个样本抽取n个)
  2. 在所有属性上,对这n个样本建立分类器(ID3信息增益、C4.5信息增益率、CART基尼系数、SVM、Logistic回归等)
  3. 重复以上两步m次,即获得了m个分类器;
  4. 将预测数据放在这m个分类器上,最后根据这m个分类器的投票结果,决定数据属于哪一类。

3 神秘的63.2%

一般被大家知晓的是:随机森林中每一次采样的比例是63.2%。 这个比例到底是怎么确定的呢?

在某手的面试中,我被问到了这个相关的问题,奈何学艺不精,哎。后来苦苦研究15分钟,终于得到答案,现在分享给大家。


bagging的最初的说法其实是:n个样本从中有放回抽样n次,这种条件下,势必会有抽取到相同样本的可能性,那么抽取到不同样本的期望值是多少呢?其实大家心里可能会有答案了,没错就是0.632n

我们假设$U(k)$表示第k次抽样抽取到不同样本的概率。那么$U(k-1)$则表示第k-1次抽样抽取到不同样本的概率。

  • 第k-1次抽样到不同样本的概率:$U(k-1)$
  • 第k-1次抽样时,有$nU(k-1)$个样本还没有被抽取
  • 第k次抽样时,还有$nU(k-1)-U(k-1)$的样本没有抽取
  • 因此$U(k)=\frac{n-1}{n}U(k-1)=(\frac{n-1}{n})^{k-1}U(1)$
  • $U(1)=1$,第一次抽样的数据一定不会重复

因此k次放回抽样的不同样本的期望值为:
$\sum^{k-1}_{i=1}{U(i)}=1+\frac{n-1}{n}+(\frac{n-1}{n})^2+…$

利用等比数列的性质,得到:
$\sum^{k-1}_{i=1}{U(i)}=(1-(\frac{n-1}{n})^k)n$

当n足够大,并且k=n的情况下,上面的公式等于
$$(1-(\frac{n-1}{n})^k)n=(1-\frac{1}{e})n\approx 0.632n$$

所以证明完毕,每一次bagging采样重复抽取n次其实只有63.2%的样本会被采样到。


4 随机森林 vs bagging

随机森林(Random Forest)在Bagging基础上进行了修改。 具体步骤可以总结如下:

  1. 从训练样本集中采用Bootstrap的方法有放回地重采样选出n个样本,即每棵树的训练数据集都是不同的 ,里面包含重复的训练样本(这意味着随机森林并不是按照bagging的0.632比例采样 );
  2. 从所有属性中有选择地选出K个属性,选择最佳属性作为节点建立CART决策树;
  3. 重复以上步骤m次,即建立了m棵CART决策树
  4. 这m个CART形成随机森林,通过投票表决分类结果,决定数据是属于哪一类。

随机森林(Random Forest)的随机性主要体现在两方面,一方面是样本随机,另一方面是属性随机。样本随机的原因是如果样本不随机,每棵树的训练数据都一样,那么最终训练出的分类结果也是完全一样的。

5 投票策略

  1. 少数服从多数
  2. 一票否决
  3. 听说还有贝叶斯平均的方法。但是我没有过多了解。一般还是用少数服从多数的吧。

6 随机森林的特点

6.1 优点

  1. 在当前的算法中,具有极好的准确率
  2. 能够运行在大数据上
  3. 能够处理具有高维特征的输入样本,不需要降维
  4. 能够计算各个特征的重要度
  5. 能够防止过拟合

6.2 bias 与 variance

说到机器学习模型的误差,主要就是bias和variance。

  • Bias:如果一个模型的训练错误大,然后验证错误和训练错误都很大,那么这个模型就是高bias。可能是因为欠拟合,也可能是因为模型是弱分类器。
  • Variance:模型的训练错误小,但是验证错误远大于训练错误,那么这个模型就是高Variance,或者说它是过拟合。

【小白学AI】随机森林 全解 (从bagging到variance)_第1张图片
这个图中,左上角是低偏差低方差的,可以看到所有的预测值,都会落在靶心,完美模型;

右上角是高偏差,可以看到,虽然整体数据预测的好像都在中心,但是波动很大。

【高偏差vs高方差】
在机器学习中,因为偏差和方差不能兼顾,所以我们一般会选择高偏差、低方差的左下角的模型。稳定性是最重要的,宁可所有的样本都80%正确率,也不要部分样本100%、部分50%的正确率。个人感觉,稳定性是学习到东西的体现,高方差模型与随机蒙的有什么区别?

6.3 随机森林降低偏差证明

上面的可能有些抽象,这里用RandomForest(RF)来作为例子:
随机森林是bagging的集成模型,这里:
$RF(x)=\frac{1}{B}\sum^B_{i=1}{T_{i,z_i}(x)}$

  • RF(x)表示随机森林对样本x的预测值;
  • B表示总共有B棵树;
  • $z_i$表示第i棵树所使用的训练集,是使用bagging的方法,从所有训练集中进行行采样和列采样得到的子数据集。

这里所有的$z$,都是从所有数据集中随机采样的,所以可以理解为都是服从相同分布的。所以不断增加B的数量,增加随机森林中树的数量,是不会减小模型的偏差的。
【个人感觉,是因为不管训练再多的树,其实就那么多数据,怎么训练都不会减少,这一点比较好理解】

【RF是如何降低偏差的?】
直观上,使用多棵树和bagging,是可以增加模型的稳定性的。怎么证明的?


我们需要计算$Var(T(x))$

假设不同树的$z_i$之间的相关系数为$\rho$,然后每棵树的方差都是$\sigma^2$.

先复习一下两个随机变量相加的方差如何表示:
$Var(aX+bY)=a^2 Var(X)+b^2 Var(Y) + 2ab cov(X,Y)$

  • Cov(X,Y)表示X和Y的协方差。协方差和相关系数不一样哦,要除以X和Y的标准差:

$\rho=\frac{cov(X,Y)}{\sigma_X \sigma_Y}$

下面转成B个相关变量的方差计算,是矩阵的形式:
【小白学AI】随机森林 全解 (从bagging到variance)_第2张图片
很好推导的,可以试一试。

这样可以看出来了,RF的树的数量越多,RF方差的第二项会不断减小,但是第一项不变。也就是说,第一项就是RF模型偏差的下极限了。

【总结】

  • 增加决策树的数量B,偏差不变;方差减小;
  • 增加决策树深度,偏差减小;$\rho$减小,$\sigma^2$增加;
  • 增加bagging采样比例,偏差减小;$\rho$增加,$\sigma^2$增加;

【bagging vs boost】
之前的文章也提到过了boost算法。

GBDT中,在某种情况下,是不断训练之前模型的残差,来达到降低bias的效果。虽然也是集成模型,但是可以想到,每一个GBDT中的树,所学习的数据的分布都是不同的,这意味着在GBDT模型的方差会随着决策树的数量增多,不断地增加。

  • bagging的目的:降低方差;
  • boost的目的:降低偏差

你可能感兴趣的:(机器学习,人工智能,深度学习)