簡(jiǎn)單的認(rèn)識(shí)一下組合分類器以及R語言對(duì)應(yīng)使用函數(shù)

首先，我們大家都有學(xué)習(xí)過一系列的分類方法，例如決策樹，貝葉斯分類器等，有時(shí)候分類的效果不太如人意，哪怕是參數(shù)是最優(yōu)化也一樣，所以這時(shí)候就需要一些提高分類準(zhǔn)確性的方法，我們常用的就是組合分類器，它就是一個(gè)復(fù)合模型，也就是由多個(gè)分類器組合而成；個(gè)體的分類器對(duì)結(jié)果進(jìn)行投票，然后對(duì)組合分類器返回的投票進(jìn)行匯總，然后基于返回的結(jié)果進(jìn)行預(yù)測(cè)和分類。組合分類器的結(jié)果往往比它的成員分類器更準(zhǔn)確；一般常用的組合分類方法有bigbing,boosting,還有我比較喜歡的隨機(jī)森林； 什么是組合分類？

組合分類就是把K個(gè)學(xué)習(xí)得到的模型M1，M2，...,MK組合在一起，使用給定數(shù)據(jù)集D創(chuàng)建K個(gè)訓(xùn)練集D1，D2，...,DK，其中D1用于創(chuàng)建M1模型，以此類推；給定一個(gè)待分類的新數(shù)據(jù)元組，每個(gè)基分類器通過返回類預(yù)測(cè)投票，它收集由基于基分類器返回的類標(biāo)預(yù)測(cè)，并輸出占多數(shù)的類，基分類器也會(huì)出錯(cuò)，當(dāng)基分類器出錯(cuò)時(shí)不代表組合分類器出錯(cuò)，組合分類器基于基本分類器的投票返回類預(yù)測(cè)，因此基分類器要出錯(cuò)超過一半時(shí)組合分類器才會(huì)出錯(cuò)，并且基分類器之間是不相關(guān)的，這也就是說明組合分類器更加準(zhǔn)確。

bagging

這個(gè)方法也叫裝袋法，這個(gè)也是組合分類器的一種，它的理念在與通過自舉的方法建立很多不同的模型，然后對(duì)結(jié)果取平均，其本質(zhì)是使得一些較弱的模型形成一個(gè)群體對(duì)結(jié)果來投票，從而得到更精確的預(yù)測(cè)；例如，如果你是一名病人希望根據(jù)你的癥狀做出診斷，你可能選擇多個(gè)醫(yī)生，而不是一個(gè)，如果某個(gè)診斷結(jié)果比其他診斷結(jié)果出現(xiàn)的次數(shù)多，你可能認(rèn)為這個(gè)結(jié)果是最為可能出現(xiàn)的診斷結(jié)果，也即是說最終的診斷結(jié)果是根據(jù)多數(shù)表決做出的；其中每個(gè)醫(yī)生的權(quán)重都一樣，更多的醫(yī)生表決比少數(shù)醫(yī)生的多數(shù)表決更為的可靠；

在給定D個(gè)元組的集合，采用有放回抽樣，每個(gè)訓(xùn)練集都是一個(gè)自助樣本，每個(gè)訓(xùn)練集通過學(xué)習(xí)得到一個(gè)分類模型，對(duì)未知的元組進(jìn)行分類，每個(gè)分類器M返回它的分類結(jié)果，算做一票，最后得票最高的作為結(jié)果類；對(duì)連續(xù)變量則通過取平均值；

那么在R語言里面怎么使用這個(gè)方法呢？

這時(shí)候我先要裝好包ipred包中的bagging函數(shù)建立回歸的bagging模型；

例如

bagging(price~x1+x2,data=test_date,nbagg=20)#這里只是舉例代碼并不能執(zhí)行；

nbagg時(shí)選擇多少個(gè)rpart數(shù)

boosting

這個(gè)方法也叫提升，它和上面的方法有些類似，假如你是一位病人，你選擇咨詢多位醫(yī)生，然而得到的結(jié)果不是一致的，這時(shí)候你就需要根據(jù)先前醫(yī)生診斷的準(zhǔn)確率。對(duì)每一位醫(yī)生賦予一個(gè)權(quán)重，然后根據(jù)加權(quán)診斷的組合作為最終的結(jié)果；這就是提升的基本思想；

早提升方法中，首先權(quán)重賦予每個(gè)訓(xùn)練元組，迭代的學(xué)習(xí)K個(gè)分類器；學(xué)習(xí)得到分類器M1之后，更新權(quán)重，使得其后的分類器M2更關(guān)注誤分類的訓(xùn)練元組，如元組不準(zhǔn)確的分類，則它的權(quán)重增加，如果元組正確分類，則它的權(quán)重減少；這是希望我們能夠更加關(guān)注上一輪誤分類的元組；其中每個(gè)分類器投票的權(quán)重是其準(zhǔn)確率的函數(shù)；

bagging和boosting相比

由于boosting更加的關(guān)注誤分的元組，所以存在結(jié)果符合模型的過度擬合的危險(xiǎn)，bagging則不太受這個(gè)影響，不過二者都能夠顯著的提高準(zhǔn)確度；boosting往往能夠得到較高的準(zhǔn)確率；

R語言里使用的是包mboost中的blackboost函數(shù)從回歸樹種建立boosting模型，glmboost從廣義線性模型中建立模型；

blackboost(price~x1+x2,data=test_date)#這里只是舉例代碼并不能執(zhí)行；

隨機(jī)森林

隨機(jī)森林也是一種組合分類器，因?yàn)槊恳粋€(gè)分類器都是一棵樹，所以組合在一起就很像一個(gè)森林；每一個(gè)數(shù)都依賴獨(dú)立抽樣；

隨機(jī)森林可以使用bagging和隨機(jī)屬性來選擇組合來構(gòu)建，

A、指定M值，即隨機(jī)產(chǎn)生M個(gè)屬性用于節(jié)點(diǎn)上的二叉樹，二叉樹屬性選擇任然滿足不純度最小原則，不純度公式為

B、應(yīng)用BOOTSTRAP自助法在員數(shù)據(jù)集中有放回地隨機(jī)抽取K個(gè)樣本集，組成K顆決策樹，而對(duì)于未被抽取的樣本用于決策樹的預(yù)測(cè)；

C、根據(jù)K個(gè)決策樹組成的隨機(jī)森林對(duì)待分類樣本進(jìn)行分類或者預(yù)測(cè)，分類的原則是投票法，預(yù)測(cè)的原則是簡(jiǎn)單平均。

想象組合分類器中每個(gè)分類器都是一顆決策樹，因此分類器的集合就是一個(gè)“森林”，使用CART算法的方法來增長(zhǎng)樹，樹增長(zhǎng)到最大的規(guī)模，并且不剪枝，用這種方式形成的隨機(jī)森林稱為Forest-RI,數(shù)據(jù)分析師培訓(xùn)

另一種形式稱為Forest-RC,他不是隨機(jī)地選擇一個(gè)屬性子集，而是選擇一個(gè)屬性子集，而是由已有的屬性的線性組合創(chuàng)建一些新屬性，就是由原來的S個(gè)屬性組合，在給定的節(jié)點(diǎn)，隨機(jī)選擇S個(gè)屬性，并且以次歐諾個(gè)[-1，1]中隨機(jī)選取的數(shù)為系數(shù)相加，產(chǎn)生S個(gè)線性組合，并在其中找到最佳的劃分，僅僅只有少量屬性可用時(shí)，為了降低個(gè)體分類器之間的相關(guān)性，這種形式的隨機(jī)森林才有用。

隨機(jī)森林的準(zhǔn)確率可以boosting媲美，隨機(jī)森林的泛化誤差收斂，所以不存在過度擬合不是什么問題；

R語言最后給我們常用randomForest包中的randomForest函數(shù)去建模；

randomForest (price~x1+x2,data=test_date)#這里只是舉例代碼并不能執(zhí)行；