3-1 机器学习进阶-集成学习算法，Bagging&Stacking&Boosting

1、什么是集成学习算法？集成学习为什么有效？

2、集成学习主要有哪几种框架，并简述它们的工作过程？

3、Boosting算法有哪两类，它们之间的区别是什么？

4、什么是偏差和方差？

5、为什么说Bagging可以减少弱分类器的方差，而Boosting可以减少弱分类器的偏差？

---

1、什么是集成学习算法？集成学习为什么有效？

通过训练多个模型，并通过某种策略组合这些模型，使得组合后的集成模型达到更好效果。

集成学习为什么有效？随着集成的个体分类器（相对独立）数目增大，集成的错误率指数级下降，并趋近于0

上式中H(x)为集成模型在x的预测结果，f(x)为x样本标签，T为模型个数 为单模型错误率，k为分类为正的模型数。可以看到随着右边式子中T的增大，右式值快速下降且下界为0 （通过凑霍夫丁不等式可得到）

---

2、集成学习主要有哪几种框架，并简述它们的工作过程？

基本有三种框架Bagging、Stacking、Boosting

Bagging、Boosting集成同类型的模型（同质集成）

Stacking集成不同类型的模型（异质集成）

Bagging：同一个模型不同的样本（有放回的采样），得到多个模型，然后通过投票、平均等方式融合。

Stacking：第一阶段：训练不同模型；第二阶段：训练第二阶段的融合模型。第一阶段模型训练好以后，固定这些模型的参数，后面再接第二阶段的融合模型。训练集还是之前模型的训练集，只是第二阶段融合模型的输入以第一阶段模型结果作为输入。

Boosting：通过集成前后关联的同类模型，残差式学习。后面的模型用来校准之前模型的误差。

Boosting训练时为串行训练，预测时同样可以并行加速

---

3、Boosting算法有哪两类，它们之间的区别是什么？

Adaboosting(adaptive boosting)：增加上一轮错误样本的权重

Gradient boosting：下一轮通过拟合残差或负梯度，纠正之前的模型犯错较大的地方

---

4、什么是偏差和方差？

偏差（bias）：衡量了模型的预测值与实际值之间的偏离关系。

方差（variance）：预测值的变化波动情况（或称之为离散情况）。

低偏差，低方差：训练的理想模型，预测结果准确率高且泛化性好输出结果稳定没有太大波动；

低偏差，高方差：这是深度学习面临的最大问题，过拟合，导致其泛化（或通用）能力差，若遇到没见过的样本，结果变化差异大；

高偏差，低方差：模型刚训练、欠拟合阶段；

高偏差，高方差：训练最糟糕的情况，准确度低，稳定性差。

---

5、为什么说Bagging可以减少弱分类器的方差，而Boosting可以减少弱分类器的偏差？

Bagging方法（1）增加模型的独立性 （2）对模型结果取平均 能够减少方差

Boosting方法本身就是每一步减少拟合的损失，用以减少偏差