機(jī)器學(xué)習(xí)故事匯-集成算法

【咱們的目標(biāo)】系列算法講解旨在用最簡(jiǎn)單易懂的故事情節(jié)幫助大家掌握晦澀無趣的機(jī)器學(xué)習(xí)，適合對(duì)數(shù)學(xué)很頭疼的同學(xué)們，小板凳走起！

今天咱們就來討論一下傳說中的集成算法，之前咱們講的算法都是單兵作戰(zhàn)的（單個(gè)模型得到結(jié)果），但是回過頭來想一想現(xiàn)在是不是干啥都講究個(gè)合作共贏，所以咱們的模型也是如此。單個(gè)算法確實(shí)勢(shì)單力薄，假如我們可以把它們組合起來會(huì)不會(huì)得到更好的效果呢？（算法們要揭竿起義了，今亡亦死舉大計(jì)亦死。。。編不下去了）

在集成算法中，有三個(gè)核心模塊，咱們就一一道來，先來概述一下：

Bagging集成：并行的構(gòu)造多個(gè)基礎(chǔ)模型（隨機(jī)森林），每一個(gè)基礎(chǔ)模型都各自為政，然后把它們的結(jié)果求一個(gè)平均就好！

Boosting集成：串行的構(gòu)造多個(gè)基礎(chǔ)模型（Xgboost），每一個(gè)基礎(chǔ)模型都要嚴(yán)格篩選，在前面的基礎(chǔ)上加進(jìn)來的新模型后，它們整體的效果起碼得沒加這個(gè)新的基礎(chǔ)模型前要強(qiáng)吧！

Stacking集成：多種算法群毆一起上！選擇多個(gè)機(jī)器學(xué)習(xí)算法做同一件事，最后把它們的結(jié)果合并就OK啦！

先來看看第一個(gè)家伙Bagging模型，其典型代表就是隨機(jī)森立了，簡(jiǎn)單來說就是并行的訓(xùn)練一堆樹模型，然后求其平均結(jié)果，在這里我們要討論一個(gè)問題，就是每個(gè)樹模型該怎么構(gòu)造呢？如果不加入任何限制，那每個(gè)樹模型不都差不多嘛，那最后的平均結(jié)果又會(huì)有什么變化呢？所以為了結(jié)果的泛化能力更強(qiáng)，必須要使得每個(gè)樹模型表現(xiàn)出多樣性，也就是盡可能的讓每個(gè)樹模型都不一樣！

這該怎么做呢？什么影響模型呢？數(shù)據(jù)絕對(duì)是最大的影響因子，這里的森林很好理解了，就是把樹放在一起，那么隨機(jī)又是什么呢？為了保證每個(gè)樹的多樣性，在構(gòu)建模型時(shí)，我們做了二重隨機(jī)（我自創(chuàng)的詞。。。）第一重就是對(duì)樣本的選擇，每次隨機(jī)的有放回的選擇部分樣本作為一棵樹的訓(xùn)練樣本（比如選擇百分之八十作為訓(xùn)練集）。第二重還要考慮特征了，既然樣本數(shù)據(jù)能隨機(jī)，那么特征也是一樣的，每棵樹選擇的特征也是不一樣的隨機(jī)選擇部分特征來建模！

隨機(jī)的意義非常重要，這是隨機(jī)森林的精神所在！

隨機(jī)森林作為灰常經(jīng)典的機(jī)器學(xué)習(xí)算法，優(yōu)勢(shì)自然少不了，當(dāng)我們建模完之后，還可以對(duì)特征進(jìn)行重要性評(píng)估，其實(shí)簡(jiǎn)單來說一個(gè)特征的重要與否可以取決于建模的時(shí)候如果把這個(gè)特征換成噪音特征再去看看結(jié)果的錯(cuò)誤率是不是顯著上升，如果顯著上升，那么這個(gè)特征自然很重要，如果沒變化，那這個(gè)特征就沒啥用了，因?yàn)樗驮胍魶]啥區(qū)別！

隨機(jī)森林中樹的個(gè)數(shù)是不是越多越好呢？理論上越多的樹效果應(yīng)該會(huì)更好吧，但是實(shí)際上我們把樹的個(gè)數(shù)增加到一定的時(shí)候比如100棵了已經(jīng)，再往上增加樹的個(gè)數(shù)結(jié)果也只會(huì)發(fā)生小范圍的浮動(dòng)，基本也就穩(wěn)定了！

Boosting集成中典型的代表就屬Xgboost啦，一個(gè)大殺器，這個(gè)算法由于涉及的數(shù)學(xué)比較多，咱們后續(xù)來一個(gè)專題去講Xgboost，我們先來看看簡(jiǎn)單些的Adaboost。

Adaboost算法概述來說就是，首選我有一個(gè)非常簡(jiǎn)單的模型，比如深度為1的樹模型，然后我去預(yù)測(cè)一下結(jié)果，在結(jié)果中我發(fā)現(xiàn)某些樣本預(yù)測(cè)錯(cuò)了，這個(gè)時(shí)候第二個(gè)簡(jiǎn)單的樹模型就來了，還是同樣的任務(wù)只不過數(shù)據(jù)的權(quán)重發(fā)生了變換，一開始所有的數(shù)據(jù)都是相同的權(quán)重，但是第二次會(huì)把前面那次預(yù)測(cè)錯(cuò)的數(shù)據(jù)的權(quán)重增大，相對(duì)來說預(yù)測(cè)對(duì)的數(shù)據(jù)的權(quán)重就會(huì)減小。說白了就是讓后面的模型更注重我之前哪些數(shù)據(jù)分錯(cuò)了，這回好能分對(duì)它?。ê帽任覀?cè)诳荚嚽岸紩?huì)復(fù)習(xí)之前做錯(cuò)的題）

最后來看一下堆疊模型吧，社會(huì)我Stacking，人狠話不多，不需要多解釋，做了一堆算法，然后把它們的結(jié)果堆疊起來，每個(gè)算法都有自己的預(yù)測(cè)結(jié)果，這些結(jié)果組合在一起那不相當(dāng)于一個(gè)新的特征嘛，再把它們結(jié)果組成的特征去做一個(gè)分類或者回歸，又得到了一個(gè)唯一的結(jié)果。