[机器学习入门] 李宏毅机器学习笔记-35（Ensemble part 1；集成方法 part 1）

[机器学习入门] 李宏毅机器学习笔记-35（Ensemble；集成方法）

---

Ensemble

俗称打群架，想要得到很好的performance，基本都要用这一手。
You already developed some algorithms and codes.Lazy to modify them.Ensemble: improving your machine with little modification.

Feamework of Ensemble

揪出一堆classifiers，最好是不同的，互补的，妥当地把他们集合起来，每一个classifier都扮演着不同的角色。

Ensemble 有很多不同的方法，是为了对待不同的状况。

---

Ensemble: Bagging

先回顾一下Bias和Variance

A complex model will have large variance.
We can average complex models to reduce variance.
If we average all the f*,is it close to f^.
所以，如果想让一个variance很大的model的error变小，可以训练好多个variance很大的model，然后把它们平均起来，这个方法就叫做Bagging。

Sampling N’ examples with replacement，then……

This approach would be helpful when your model is complex, easy to overfit. e.g. decision tree.

---

Decision Tree

决策树很容易过拟合，模型很easy。

决策树不仅仅能判断上图的简单问题，还能解决很多复杂问题。
比如……下图这个美少女，把初音的身体代表类别1，其他叫类别0，在这个二维平面上的值，就是input，来output判断是否在初音的身体上。

不同树深的实验表现

到这里很容易理解，决策树继续深下去完全可以做到training data上的完美，因为大不了它可以给每一个data分一个类，显而易见，这样很容易过拟合。

Decision Tree做 bagging 就是 Random Forest。

Random Forest

增加一些随机的特性，使树与树之间更不像。
每一次分出节点时，都要决定一下哪些feature 是可以用的，哪些是不可以用的，避免每一个树都长的很像。
有个bagging方法叫做Out-of-bag。

Out-of-bag（OOB）

bagging的目标不是在 training data 上的到更好的表现，而是让bias减小，得到的function更加平滑（初音的肌肤更加细腻）。

---

---

Ensemble: Boosting

Boosting 的目标和 Bagging 是相反的，Bagging是把减弱过拟合，而 Boosting 是即使不能 fit training data 的 model，也要想办法使 performance 更好，Boosting 通过把很多弱的 Classifiers结合起来，帮助得到强的 Classifiers。

就好比说，只要一个算法能比瞎猜好一点点，就能通过boosting变成一个超强的算法。
需要注意的是：The classifiers are learned sequentially.

How to obtain different classifiers?

不同的classifier通过在不同的 training data上做训练，不同的 training data 怎么得到呢？

Re-weighting 能使sample的次数不是整数而是小数。

Adaboost

The performance of f1 for new weights would be random.

举个栗子

Re-weighting Training Data

就比如，错的题分值变大，对的题分值变小，75分硬生生整成不及格。
How to find a new training set that fails f1 x ?

What is the value of d1?

答对的weight是Z1(1-ε1),答错的weight是Z1ε1，所有答错的weight都会被乘上d1，所有答对的weight都会被除上d1，对错相等列不等式。

Algorithm for AdaBoost

下接 part 2