【机器学习】周志华西瓜书第八章集成学习习题8.5--编程实现Bagging模型，以决策树桩为基学习器，在西瓜数据集3.0a上训练一个Bagging集成，并与教材图8.6进行比较。

（1）问题理解与分析

编程实现Bagging模型，以决策树桩为基学习器，在西瓜数据集3.0a上训练一个Bagging集成，并与教材图8.6进行比较。

（2）Bagging算法原理阐述

若想得到泛化性能强的集成，集成中的个体学习器应尽可能相互独立；虽然 “独立” 在现实任务中无法做到，但可以设法使基学习器尽可能具有较大的差异。给定一个训练数据集，一种可能的做法是对训练样本进行采样，产生出若干个不同的子集，再从每个数据子集中训练出一个基学习器。这样，由于训练数据不同，我们获得的基学习器可望具有比较大的差异。然而，为获得好的集成，我们同时还希望个体学习器不能太差。如果采样出的每个子集都完全不同，则每个基学习器只用到了一小部分训练数据，甚至不足以进行有效学习，这显然无法确保产生出比较好的基学习器。为解决这个问题，我们可考虑使用相互有交叠的采样子集。

Bagging是并行式集成学习方法最著名的代表。从名字即可看出，它直接基于自助采样法（bootstrap sampling）。给定包含m个样本的数据集，我们先随机取出一个样本放入采样集中，再把该样本放回初始数据集，使得下次采样时该样本仍有可能被选中，这样，经过m次随机采样操作，我们得到含m个样本的采样集，初始训练集中有的样本在采样集里多次出现，有的则从未出现。可以做一个简单的估计，初始训练集中约有36.8%的样本未出现在采样集中，约有63.2%的样本出现在采样集中。照这样，我们可采样出T个含m个训练样本的采样集，然后基于每个采样集训练出一个基学习器，再将这些基学习器进行结合。这就是Bagging的基本流程。在对预测输出进行结合时，Bagging通常对分类任务使用简单投票法，对回归任务使用简单平均法。若分类预测时出现两个类收到同样票数的情形，则最简单的做法是随机选择一个，也可进一步考察学习器投票的置信度来确定最终胜者。

3）Bagging算法设计思路

Bagging集成模型流程图如下：

 

（4）Bagging实验流程分析

Bagging集成模型伪代码描述如下：

 

 

（5）实验数据的选择（训练集和测试集划分）、实验结果展示、优化与分析

本实验使用的数据集是西瓜数据集3.0，只使用连续型属性。题目要求采用的基学习器是决策树桩，本身偏差较大，并且Bagging集成只有降低方差的效果，对于偏差并无改善，所以集成后的训练误差仍然很低，于是将基学习器改为完整决策树。当基学习器数量为3时，我的结果与周志华《机器学习》（西瓜书）对比如下：

 

前者17个样本预测正确16个，正确率为94.1%；后者17个样本预测正确16个，正确率94.1%。

当基学习器数量为5时，我的结果与周志华《机器学习》（西瓜书）对比如下：

 

 

前者17个样本预测正确16个，正确率为94.1%；后者17个样本预测正确17个，正确率100%。

当基学习器数量为11时，我的结果与周志华《机器学习》（西瓜书）对比如下：

 

前者17个样本预测正确17个，正确率为100%；后者17个样本预测正确17个，正确率100%。

（6）代码结构注释、核心源代码简要分析

Bagging集成模型核心代码如下。列表H保存各个基学习器，H_pre存储每次迭代后H对于训练集的预测结果，error保存每次迭代后H的训练误差。

T = 20
H = []  
m = len(Y)
H_pre = np.zeros(m)  
error = []  
for t in range(T):
    boot_strap_sampling = np.random.randint(0, m, m)
    Xbs = X[boot_strap_sampling]
    Ybs = Y[boot_strap_sampling]
    h = tree.DecisionTreeClassifier().fit(Xbs, Ybs)
    H.append(h)
    # 计算并存储当前步的训练误差
    H_pre += h.predict(X)
    Y_pre = (H_pre >= 0) * 2 - 1
    error.append(sum(Y_pre != Y) / m)

def predict(H, X1, X2):
    # 预测结果
    # 仅X1和X2两个特征,X1和X2同维度
    X = np.c_[X1.reshape(-1, 1), X2.reshape(-1, 1)]
    Y_pre = np.zeros(len(X))
    for h in H:
        Y_pre += h.predict(X)
    Y_pre = 2 * (Y_pre >= 0) - 1
    Y_pre = Y_pre.reshape(X1.shape)
    return Y_pre

（7）本次实验解决的主要问题、在理论学习与动手编程上的主要收获

在本次实验中，我编程实现了Bagging集成模型，并与AdaBoost集成模型进行了对比。在样本选择上，Bagging的训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的，而Boosting每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化，而权值是根据上一轮的分类结果进行调整。Bagging使用均匀取样，每个样例的权重相等，Boosting根据错误率不断调整样例的权值，错误率越大则权重越大。Bagging的所有预测函数的权重相等，Boosting的每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。Bagging的各个预测函数可以并行生成，Boosting的各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。

 

完整代码：

# -*- coding: utf-8 -*-
"""
前面采用决策树桩来进行Bagging集成，效果较差，
现在改用全决策树full-tree来集成，观察效果。
全决策树算法不再自编，直接采用sklearn工具。
"""

import numpy as np
import matplotlib.pyplot as plt
from sklearn import tree

# 设置出图显示中文
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

def predict(H, X1, X2):
    # 预测结果
    # 仅X1和X2两个特征,X1和X2同维度
    X = np.c_[X1.reshape(-1, 1), X2.reshape(-1, 1)]
    Y_pre = np.zeros(len(X))
    for h in H:
        Y_pre += h.predict(X)
    Y_pre = 2 * (Y_pre >= 0) - 1
    Y_pre = Y_pre.reshape(X1.shape)
    return Y_pre

# >>>>>西瓜数据集3.0α
X = np.array([[0.697, 0.46], [0.774, 0.376], [0.634, 0.264], [0.608, 0.318], [0.556, 0.215],
              [0.403, 0.237], [0.481, 0.149], [0.437, 0.211], [0.666, 0.091], [0.243, 0.267],
              [0.245, 0.057], [0.343, 0.099], [0.639, 0.161], [0.657, 0.198], [0.36, 0.37],
              [0.593, 0.042], [0.719, 0.103]])
Y = np.array([1, 1, 1, 1, 1, 1, 1, 1, -1, -1, -1, -1, -1, -1, -1, -1, -1])

# >>>>>Bagging
T = 20
H = []  # 存储各个决策树桩，每行表示#划分特征,划分点,左枝取值，右枝取值
m = len(Y)
H_pre = np.zeros(m)  # 存储每次迭代后H对于训练集的预测结果
error = []  # 存储每次迭代后H的训练误差
for t in range(T):
    boot_strap_sampling = np.random.randint(0, m, m)
    Xbs = X[boot_strap_sampling]
    Ybs = Y[boot_strap_sampling]
    h = tree.DecisionTreeClassifier().fit(Xbs, Ybs)
    H.append(h)
    # 计算并存储当前步的训练误差
    H_pre += h.predict(X)
    Y_pre = (H_pre >= 0) * 2 - 1
    error.append(sum(Y_pre != Y) / m)

# >>>>>绘制训练误差变化曲线
plt.title('训练误差的变化')
plt.plot(range(1, T + 1), error, 'o-', markersize=2)
plt.xlabel('基学习器个数')
plt.ylabel('错误率')
plt.show()

# >>>>>观察结果
x1min, x1max = X[:, 0].min(), X[:, 0].max()
x2min, x2max = X[:, 1].min(), X[:, 1].max()
x1 = np.linspace(x1min - (x1max - x1min) * 0.2, x1max + (x1max - x1min) * 0.2, 100)
x2 = np.linspace(x2min - (x2max - x2min) * 0.2, x2max + (x2max - x2min) * 0.2, 100)
X1, X2 = np.meshgrid(x1, x2)

for t in [3, 5, 11]:
    plt.title('前%d个基学习器' % t)
    plt.xlabel('密度')
    plt.ylabel('含糖量')
    # 画样本数据点
    plt.scatter(X[Y == 1, 0], X[Y == 1, 1], marker='p', c='b', s=100, label='好瓜')
    plt.scatter(X[Y == -1, 0], X[Y == -1, 1], marker='*', c='green', s=100, label='坏瓜')
    plt.legend()
    # 画基学习器划分边界
    for i in range(t):
        # 由于sklearn.tree类中将决策树的结构参数封装于内部，
        # 不方便提取，这里采用一个笨办法：
        # 用predict方法对区域内所有数据点(100×100)进行预测，
        # 然后再用plt.contour的方法来找出划分边界
        Ypre = predict([H[i]], X1, X2)
        plt.contour(X1, X2, Ypre, colors='k', linewidths=1, levels=[0])
    # 画集成学习器划分边界
    Ypre = predict(H[:t], X1, X2)
    plt.contour(X1, X2, Ypre, colors='r', linewidths=5, levels=[0])
    plt.show()