集成学习实战：基于集成学习方法完成鸢尾花卉品种预测详细教程

1 集成学习

集成学习不是一种算法，而是一种算法框架，将多种基础算法集合在一起共同决策。

例如以分类器为例，现在学习了多个分类器 $f_1(x),f_2(x),f_3(x),...,$ 同时这些分类器要具有差异度，这里的差异度就像《王者荣耀》里的5个位置一样，各司其职，相辅相成，然后再用某种策略将这多个分类器应用到数据当中，共同决策最后的分类结果，以取得比单个分类器都要好的分类能力。在以往很多数据挖掘比赛中，集成学习往往是夺得冠军的秘诀之一。

集成学习可以分为两类，一类是降低了模型方差，如Bagging（Boostrop Aggregating）；另一类是降低了模型偏差，如Boosting和stacking。

1.1.1 偏差和方差

在讲Bagging和Boosting之前，首先简单讲下模型的偏差和方差，如图1.1所示。

有监督学习算法中，模型的泛化误差来源于偏差和方差。

• 偏差：当我们在所有采样的数据集中训练出多个模型，这些模型的输出期望值和真实模型的输出之间的差距，也就是图1.1中靶心和射击的期望得分之间的差距。一般偏差过大是因为假设的模型过于简单，从而无法准确拟合训练数据导致的。因而想要偏差较小，可以选择复杂的模型来拟合数据。

• 方差：当我们在所有采样的数据集中训练出多个模型，这些模型的输出方差。当模型的输出较为集中时，此时模型的方差较小；当模型的输出较为分散时，此时模型的方差较大。一般模型越复杂的时候，会带来过拟合问题，从而使得模型在测试数据集上表现不佳，即方差较大。