机器学习 | 集成算法 | Bagging | Boosting | 概念向

📚Bagging和Boosting的概念

集成学习（Ensemble Learning）就是通过某种策略将多个模型集成起来，通过群体决策来提高决策准确率。为什么集成学习会好于单个学习器呢？原因可能有三：

• 训练样本可能无法选择出最好的单个学习器，由于没法选择出最好的学习器，所以干脆结合起来一起用；
• 假设能找到最好的学习器，但由于算法运算的限制无法找到最优解，只能找到次优解，采用集成学习可以弥补算法的不足；
• 可能算法无法得到最优解，而集成学习能够得到近似解。比如说最优解是一条对角线，而单个决策树得到的结果只能是平行于坐标轴的，但是集成学习可以去拟合这条对角线。

🐇Bagging

• Bagging（Bootstrap Aggregating）是集成学习的一种方法，其思想是通过从训练集中随机抽取一定数量的样本，重复多次构建多个基本分类器，然后通过投票或平均来获得最终的预测结果。
• Bagging可以有效减小模型的方差，提高模型的泛化能力。

🐇Boosting

• 集成学习Boosting可以将多个弱学习器（即准确率略高于随机猜测的学习器）组合成一个强学习器。
• Boosting通过迭代地引入新的弱学习器，并给予它们更多的关注度，达到逐步提高集成模型准确率的目的。
• 在Boosting算法中，每个弱学习器的预测结果都会参与到下一次迭代中，如果预测错误，则会给这个样本一个更高的权重，并重新拟合一个新的学习器。这样，每个弱学习器都会关注于预测错误的样本，因此在多个弱学习器的组合下，集成模型的准确率得到了提高。

📚Bagging和Boosting区别

Bagging算法和Boosting都属于集成算法，最重要的假设是：当弱模型被正确组合时，我们可以得到更精确和/或更鲁棒的模型。

• Bagging：利用多个过拟合的弱学习器来获得更好的效果。
• Boosting：利用多个欠拟合的弱学习器来获得更好的效果。

📚Bagging和Boosting具体实现

⭐️将Bagging和Boosting分别和树模型结合分别生成：

• Bagging 决策树=随机森林
• Boosting 决策树=GBDT

🐇随机森林

【五分钟机器学习】随机森林（RandomForest）：看我以弱搏强

• 如下图：分别从数据集中随机取一部分数据交给每一棵小树进行训练，再让每一棵小树都得出一个训练结果，最后将它们所得到的的训练结果来一个综合，即为随机森林的预测结果。
• 基本逻辑：
  
• 优缺点：
  

🐇GBDT

什么是 GBDT（梯度提升树）？【知多少】

• 和随机森林相比，GBDT里的树都是回归树。
  

• GBDT里的每棵树都建立在前一棵树的基础上。
  

  • 以苹果打分为例，我们会先训练一棵树，大体预测一下苹果们的分数
  • 再去训练一棵树，去预测它们与真实分数间的差距
  • 如果两者相加仍与真实分数存在差距，我们在训练第三棵树预测这部分差距
  • 重复这个过程不断减少误差，将这些数的预测值加起来就是苹果的分数。

• 在GBDT中，每一次迭代都会训练一个新的模型，该模型将前面模型的预测结果与真实标签之间的残差作为新的标签。
• GBDT的残差指的是前面模型的预测结果与真实标签之间的差异。
• 在每一次迭代中，新的模型都会尝试通过学习这些残差来进一步提高模型的预测性能，从而有效提高模型的准确性。

🐇Adaboost（Boosting类型代表）

【五分钟机器学习】Adaboost：前人栽树后人乘凉

• 前人栽树，后人乘凉：前辈为后辈创造条件，而后辈在前辈创造的基础上进行改进。
  

• 每一次的改进都更专注于之前做错的问题~~（刷题逻辑bushi）~~
  

• Adaboost的训练步骤:
  

• 优缺点：
  

参考博客

• 机器学习之Bagging算法和Boosting算法
• 集成学习（bagging、boosting）
• 【五分钟机器学习】随机森林（RandomForest）：看我以弱搏强
• 【五分钟机器学习】Adaboost：前人栽树后人乘凉
• 什么是 GBDT（梯度提升树）？【知多少】

这篇好文章是转载于：学新通技术网