机器学习中集成方法的Bagging和Boosting动画指南

许多人经常难以理解Bagging和Boosting的核心要点。

本文通过动画展示了这两种技术的内部工作原理：

简而言之，集成方法将多个模型结合在一起以构建一个更强大的模型。

它们基本上是建立在这样一个思想之上的，即通过汇总多个模型的预测结果，可以减轻各个单独模型的缺陷。

其思想如下图所示：

集成方法主要使用两种不同的策略构建：

• 装袋（Bagging）

• 提升（Boosting）

1）Bagging

Bagging通过以下步骤实现：

• 用有放回地抽样数据创建不同的数据子集（这被称为自助法，bootstrapping）。

• 针对每个子集训练一个模型。

• 聚合所有模型的预测结果以获取最终的预测。

一些常用的利用装袋策略的模型包括：

• Random Forests

• Extra Trees

2）Boosting:

Boosting通过一下步骤实现：

• Boosting是一个迭代训练过程。

• 后续模型更加关注前一个模型中被错误分类的样本。

• 最终的预测是所有模型预测的加权组合。

一些常用的利用提升策略的模型包括：

• XGBoost

• AdaBoost等

总的来说，集成模型相较于单个模型显著提升了预测性能。

它们通常更加健壮，对未见数据泛化能力更好，并且更不容易过拟合。

关注公众号 [小Z的科研日常] ，查看最新技术分享。