机器学习算法——详细介绍 集成学习，以及什么是Bagging、随机森林、Boosting、XGBoost

一、集成学习算法简介

1、什么是集成学习

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。

2、机器学习的两个核心任务

• 任务一：如何优化训练数据 —> 主要用于解决欠拟合问题
• 任务二：如何提升泛化性能 —> 主要用于解决过拟合问题

3、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

---

4、小结

• 什么是集成学习
  • 通过建立几个模型来解决单一预测问题
• 机器学习两个核心任务
  • 1.解决欠拟合问题
    弱弱组合变强
    boosting
  • 2.解决过拟合问题
    互相遏制变壮
    Bagging

二、Bagging和随机森林

1、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
  

主要实现过程：

2、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

随机森林构造过程中的关键步骤（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 <

思考：

• 1.为什么要随机抽样训练集？　　
  如果不进行随机抽样，每棵树的训练集都一样，那么最终训练出的树分类结果也是完全一样的
• 2.为什么要有放回地抽样？
  如果不是有放回的抽样，那么每棵树的训练样本都是不同的，都是没有交集的，这样每棵树都是“有偏的”，都是绝对“片面的”（当然这样说可能不对），也就是说每棵树训练出来都是有很大的差异的；而随机森林最后分类取决于多棵树（弱分类器）的投票表决。

3、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)

参数：

• 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

超参数为：n_estimator, max_depth, min_samples_split,min_samples_leaf

4、随机森林预测案例

4.1、案例背景

泰坦尼克号沉没是历史上最臭名昭着的沉船之一。1912年4月15日，在她的处女航中，泰坦尼克号在与冰山相撞后沉没，在2224名乘客和机组人员中造成1502人死亡。这场耸人听闻的悲剧震惊了国际社会，并为船舶制定了更好的安全规定。 造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管幸存下沉有一些运气因素，但有些人比其他人更容易生存，例如妇女，儿童和上流社会。 在这个案例中，我们要求您完成对哪些人可能存活的分析。特别是，我们要求您运用机器学习工具来预测哪些乘客幸免于悲剧。

案例：https://www.kaggle.com/c/titanic/overview

我们提取到的数据集中的特征包括票的类别，是否存活，乘坐班次，年龄，登陆home.dest，房间，船和性别等。

数据：https://www.kaggle.com/c/titanic/data.去这里把训练集和测试集下载下来(我只用到了训练集，也就是把这个训练集划分成了train和test)。

经过观察数据得到:

• 1 乘坐班是指乘客班（1，2，3），是社会经济阶层的代表。

• 2 其中age数据存在缺失。

4.2、步骤分析

• 1.获取数据
• 2.数据基本处理
  • 2.1 确定特征值,目标值
  • 2.2 缺失值处理
  • 2.3 数据集划分
• 3.特征工程(字典特征抽取)
• 4.机器学习(决策树)
• 5.模型评估

4.3、代码实现

• 导入需要的模块

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.feature_extraction import DictVectorizer
from sklearn.ensemble import RandomForestClassifier

• 1.获取数据

# 1、获取数据
titan = pd.read_csv("data/train.csv") # 数据我从官网下载下来了

• 2.数据基本处理

• 2.1 确定特征值,目标值

x = titan[["pclass", "age", "sex"]]
y = titan["survived"]

• 2.2 缺失值处理

# 缺失值需要处理，将特征当中有类别的这些特征进行字典特征抽取
x['age'].fillna(x['age'].mean(), inplace=True)

• 2.3 数据集划分

x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22, test_size=0.2)

• 3.特征工程(字典特征抽取)
  特征中出现类别符号，需要进行one-hot编码处理(DictVectorizer);
  x.to_dict(orient=“records”) 需要将数组特征转换成字典数据

# 对于x转换成字典数据x.to_dict(orient="records")
# ['Age', 'Pclass', 'Sex=female', 'Sex=male']

transfer = DictVectorizer(sparse=False)

x_train = transfer.fit_transform(x_train.to_dict(orient="records"))
x_test = transfer.fit_transform(x_test.to_dict(orient="records"))

# 以下是查看字典特征提取后的代码
x_train.toarray() # 查看字典特征提取后的结果
# 输出：
array([[29.69911765,  1.        ,  0.        ,  1.        ],
       [30.5       ,  3.        ,  0.        ,  1.        ],
       [ 3.        ,  2.        ,  1.        ,  0.        ],
       ...,
       [35.        ,  2.        ,  0.        ,  1.        ],
       [47.        ,  3.        ,  1.        ,  0.        ],
       [39.        ,  3.        ,  1.        ,  0.        ]])
# 有点懵逼，不用怕，看看每一行的特征名不就清楚了嘛：
transfer.get_feature_names()
# 输出：
['Age', 'Pclass', 'Sex=female', 'Sex=male']

• 4.机器学习(随机森林+cv)

# 随机森林去进行预测
estimator = RandomForestClassifier()

# 定义超参数的选择列表
param = {"n_estimators": [120,200,300,500,800,1200], "max_depth": [5, 8, 15, 25, 30]}

# 使用GridSearchCV进行网格搜索
estimator = GridSearchCV(estimator, param_grid=param, cv=3) # cv：指定几折交叉验证，将训练集分成三份，每次取1个作为验证集，这里一共跑6*5*3次

estimator.fit(x_train, y_train)

• 5.模型评估

estimator.best_estimator_ # 查看交叉验证最好的结果
# 输出：
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
                       max_depth=5, max_features='auto', max_leaf_nodes=None,
                       min_impurity_decrease=0.0, min_impurity_split=None,
                       min_samples_leaf=1, min_samples_split=2,
                       min_weight_fraction_leaf=0.0, n_estimators=120,
                       n_jobs=None, oob_score=False, random_state=None,
                       verbose=0, warm_start=False)

estimator.score(x_test, y_test) # 查看准确率
# 输出：
0.7653631284916201

y_pre = estimator.predict(x_test) # 查看预测结果
print(y_pre)
# 输出：
array([1, 0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0,
       1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1,
       1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0,
       0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0,
       0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 1, 0, 0,
       0, 0, 1, 1, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0,
       0, 1, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1, 0,
       0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 1, 1,
       1, 0, 0], dtype=int64)

注意：
- 随机森林的建立过程
- 树的深度、树的个数等需要进行超参数调优

5、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:

• 1.均可在原有算法上提高约2%左右的泛化正确率

• 2.简单, 方便, 通用

---

6、小结：

三、Boosting

1、boosting集成原理

1.1 什么是boosting

随着学习的积累从弱到强

简而言之：每新加入一个弱学习器，整体能力就会得到提升

代表算法：Adaboost，GBDT，XGBoost

1.2 实现过程：

• 1.训练第一个学习器：、
  

• 2.调整数据分布：
  

• 3.训练第二个学习器：
  

• 4.再次调整数据分布：
  

• 5.依次训练学习器，调整数据分布
  

整体过程实现：

关键点：

• 如何确认投票权重？

• 如何调整数据分布？

其中$D_t(x)$表示权重，$a_t$表示错误率。

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）

1.3 api介绍

from sklearn.ensemble import AdaBoostClassifier

API详细介绍链接.

2、GBDT

梯度提升决策树(GBDT Gradient Boosting Decision Tree) 是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。

GBDT = 梯度提升 + Boosting + 决策树

2.1 梯度的概念

这一步实际上就是，在原来的基础上一步一步的优化，boosting原理。

2.2 GBDT执行流程

如果上式中的hi(x)=决策树模型,则上式就变为:

GBDT = 梯度提升 + Boosting + 决策树

看完公式还很懵逼，下面通过案例进一步介绍：

2.3 案例

问题：预测编号5的身高:

编号	年龄(岁)	体重(KG)	身高(M)
1	5	20	1.1
2	7	30	1.3
3	21	70	1.7
4	30	60	1.8
5	25	65	?

第一步:计算损失函数,并求出第一个预测值:

上面的$h_0(x)=1.475$就表示我们的第一个模型，也就是预测所有人的身高为1.475，显然这样不合理，因为直观的看，我们使用了其他人身高的平均值来表示5号的身高了，于是这是个弱模型，使用boosting原理进一步强化：

第二步:求解划分点

得出:年龄21为划分点的方差=0.01+0.0025=0.0125

注意：上面在计算方差（纯度）时，+0.275和-0.275是取了目标值的平均，比如:
$[-0.375+(-0.175)]/2=-0.275$

第三步:通过调整后目标值,求解得出h1(x)

由于上面得出的方差（纯度）年龄21和体重70最小，按顺序选择年龄21作为决策树的划分点：

第四步:求解h2(x)，和求h1(x)一样

… …

得出结果:

编号5身高 = 1.475 + 0.03 + 0.275 = 1.78

2.4 GBDT主要执行思想

1.使用梯度提升作为训练方法；

2.使用一层决策树作为弱学习器，负梯度作为目标值；

3.利用boosting思想进行集成。

3、XGBoost

$XGBoost=二阶泰勒展开+boosting+决策树+正则化$

面试题：了解XGBoost么，请详细说说它的原理

• 回答要点：二阶泰勒展开，boosting，决策树，正则化

Boosting：XGBoost使用Boosting提升思想对多个弱学习器进行迭代式学习

二阶泰勒展开：每一轮学习中，XGBoost对损失函数进行二阶泰勒展开，使用一阶和二阶梯度进行优化。

决策树：在每一轮学习中，XGBoost使用决策树算法作为弱学习进行优化。

正则化：在优化过程中XGBoost为防止过拟合，在损失函数中加入惩罚项，限制决策树的叶子节点个数以及决策树叶子节点的值。

4、什么是泰勒展开式

泰勒展开越多，计算结果越精确

5、小结：