- 相關(guān)推薦
集成學(xué)習(xí)方法
集成學(xué)習(xí)可以說是現(xiàn)在非�；鸨臋C器學(xué)習(xí)方法了。它本身不是一個單獨的機器學(xué)習(xí)算法，而是通過構(gòu)建并結(jié)合多個機器學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)。接下來小編搜集了集成學(xué)習(xí)方法，僅供大家參考。
集成學(xué)習(xí)概述
從下圖，我們可以對集成學(xué)習(xí)的思想做一個概括。對于訓(xùn)練集數(shù)據(jù)，我們通過訓(xùn)練若干個個體學(xué)習(xí)器，通過一定的結(jié)合策略，就可以最終形成一個強學(xué)習(xí)器，以達到博采眾長的目的。
也就是說，集成學(xué)習(xí)有兩個主要的問題需要解決，第一是如何得到若干個個體學(xué)習(xí)器，第二是如何選擇一種結(jié)合策略，將這些個體學(xué)習(xí)器集合成一個強學(xué)習(xí)器。
集成學(xué)習(xí)之個體學(xué)習(xí)器
上一節(jié)我們講到，集成學(xué)習(xí)的第一個問題就是如何得到若干個個體學(xué)習(xí)器。這里我們有兩種選擇。
第一種就是所有的個體學(xué)習(xí)器都是一個種類的，或者說是同質(zhì)的。比如都是決策樹個體學(xué)習(xí)器，或者都是神經(jīng)網(wǎng)絡(luò)個體學(xué)習(xí)器。第二種是所有的個體學(xué)習(xí)器不全是一個種類的，或者說是異質(zhì)的。比如我們有一個分類問題，對訓(xùn)練集采用支持向量機個體學(xué)習(xí)器，邏輯回歸個體學(xué)習(xí)器和樸素貝葉斯個體學(xué)習(xí)器來學(xué)習(xí)，再通過某種結(jié)合策略來確定最終的分類強學(xué)習(xí)器。
目前來說，同質(zhì)個體學(xué)習(xí)器的應(yīng)用是最廣泛的，一般我們常說的集成學(xué)習(xí)的方法都是指的同質(zhì)個體學(xué)習(xí)器。而同質(zhì)個體學(xué)習(xí)器使用最多的模型是CART決策樹和神經(jīng)網(wǎng)絡(luò)。同質(zhì)個體學(xué)習(xí)器按照個體學(xué)習(xí)器之間是否存在依賴關(guān)系可以分為兩類，第一個是個體學(xué)習(xí)器之間存在強依賴關(guān)系，一系列個體學(xué)習(xí)器基本都需要串行生成，代表算法是boosting系列算法，第二個是個體學(xué)習(xí)器之間不存在強依賴關(guān)系，一系列個體學(xué)習(xí)器可以并行生成，代表算法是bagging和隨機森林（RandomForest）系列算法。下面就分別對這兩類算法做一個概括總結(jié)。
集成學(xué)習(xí)之boosting
boosting的算法原理我們可以用一張圖做一個概括如下：
從圖中可以看出，Boosting算法的工作機制是首先從訓(xùn)練集用初始權(quán)重訓(xùn)練出一個弱學(xué)習(xí)器1，根據(jù)弱學(xué)習(xí)的學(xué)習(xí)誤差率表現(xiàn)來更新訓(xùn)練樣本的權(quán)重，使得之前弱學(xué)習(xí)器1學(xué)習(xí)誤差率高的訓(xùn)練樣本點的權(quán)重變高，使得這些誤差率高的點在后面的弱學(xué)習(xí)器2中得到更多的重視。然后基于調(diào)整權(quán)重后的訓(xùn)練集來訓(xùn)練弱學(xué)習(xí)器2.，如此重復(fù)進行，直到弱學(xué)習(xí)器數(shù)達到事先指定的數(shù)目T，最終將這T個弱學(xué)習(xí)器通過集合策略進行整合，得到最終的強學(xué)習(xí)器。
Boosting系列算法里最著名算法主要有AdaBoost算法和提升樹(boostingtree)系列算法。提升樹系列算法里面應(yīng)用最廣泛的是梯度提升樹(GradientBoostingTree)。AdaBoost和提升樹算法的原理在后面的文章中會專門來講。
集成學(xué)習(xí)之bagging
Bagging的算法原理和boosting不同，它的弱學(xué)習(xí)器之間沒有依賴關(guān)系，可以并行生成，我們可以用一張圖做一個概括如下：
從上圖可以看出，bagging的個體弱學(xué)習(xí)器的訓(xùn)練集是通過隨機采樣得到的。通過T次的隨機采樣，我們就可以得到T個采樣集，對于這T個采樣集，我們可以分別獨立的訓(xùn)練出T個弱學(xué)習(xí)器，再對這T個弱學(xué)習(xí)器通過集合策略來得到最終的強學(xué)習(xí)器。
對于這里的隨機采樣有必要做進一步的介紹，這里一般采用的是自助采樣法（Bootstapsampling）,即對于m個樣本的原始訓(xùn)練集，我們每次先隨機采集一個樣本放入采樣集，接著把該樣本放回，也就是說下次采樣時該樣本仍有可能被采集到，這樣采集m次，最終可以得到m個樣本的采樣集，由于是隨機采樣，這樣每次的采樣集是和原始訓(xùn)練集不同的，和其他采樣集也是不同的，這樣得到多個不同的弱學(xué)習(xí)器。
隨機森林是bagging的一個特化進階版，所謂的特化是因為隨機森林的弱學(xué)習(xí)器都是決策樹。所謂的進階是隨機森林在bagging的樣本隨機采樣基礎(chǔ)上，又加上了特征的隨機選擇，其基本思想沒有脫離bagging的范疇。bagging和隨機森林算法的原理在后面的文章中會專門來講。
什么是集成方法
集成方法是先構(gòu)建一組分類器，然后用各個分類器帶權(quán)重的投票來預(yù)測新數(shù)據(jù)的算法。最初的集成方法是貝葉斯平均，但最新的算法包括誤差糾正輸出編碼和提升算法。
那么集成模型的原理是什么，以及它為什么比獨立模型的效果好呢？
它們消除了偏置的影響：比如把民主黨的問卷和共和黨的問卷混合，從中得到的將是一個不倫不類的偏中立的信息。
它們能減小預(yù)測的方差：多個模型聚合后的預(yù)測結(jié)果比單一模型的預(yù)測結(jié)果更穩(wěn)定。在金融界，這被稱為是多樣化——多個股票的混合產(chǎn)品波動總是遠小于單個股票的波動。這也解釋了為何增加訓(xùn)練數(shù)據(jù)，模型的效果會變得更好。
它們不容易產(chǎn)生過擬合：如果單個模型不會產(chǎn)生過擬合，那么將每個模型的預(yù)測結(jié)果簡單地組合（取均值、加權(quán)平均、邏輯回歸），沒有理由產(chǎn)生過擬合。
集成學(xué)習(xí)（ensemblelearning）更多的是一種組合策略，將多個機器學(xué)習(xí)模型結(jié)合起來，可以稱為元算法（meta—algorithm）。
面對一個機器學(xué)習(xí)問題，通常有兩種策略，一種是研發(fā)人員嘗試各種模型，選擇其中表現(xiàn)最好的模型做重點調(diào)參優(yōu)化。這種策略類似于奧運會比賽，通過強強競爭來選拔最優(yōu)的運動員，并逐步提高成績。另一種重要的策略是集各家之長，如同賢明的君主廣泛的聽取眾多謀臣的建議，然后綜合考慮，得到最終決策。后一種策略的核心，是將多個分類器的結(jié)果集成為一個統(tǒng)一的決策。使用這類策略的機器學(xué)習(xí)方法統(tǒng)稱為集成學(xué)習(xí)。其中的每個單獨的分類器稱為基分類器。
集成學(xué)習(xí)可以大致分為兩類：
Boosting：這類方法訓(xùn)練基分類器時采用串行的方法，各個基分類器之間有依賴。它的基本思路是將基分類器層層疊加，每一層在訓(xùn)練的時候，對前一層基分類器分錯的樣本，給予更高的權(quán)重。測試時，根據(jù)各層分類器的結(jié)果的加權(quán)得到最終結(jié)果。
Bagging：這類方法基分類器之間無強依賴，可以并行。其中很著名的算法之一是基于決策樹基分類器的隨機森林（RandomForest）。為了讓基分類器之間互相獨立，將訓(xùn)練集分為若干子集（當(dāng)訓(xùn)練樣本數(shù)量較少時，子集之間可能有交疊）。
基分類器有時又稱為弱分類器，因為基分類器的錯誤率要大于集成后的分類器�；诸惼鞯腻e誤，是偏差（Bias）和方差（Variance）兩種錯誤之和。偏差主要是由于分類器的表達能力有限導(dǎo)致的系統(tǒng)性錯誤，表現(xiàn)在訓(xùn)練誤差不能收斂到一個比較小的值。方差則是由于分類器對于樣本分布過于敏感，導(dǎo)致在訓(xùn)練樣本數(shù)較少時，產(chǎn)生過擬合。
Boosting方法通過逐步聚焦于基分類器分錯的樣本，減小集成分類器的偏差。Bagging方法則是采取分而治之的策略，通過對訓(xùn)練樣本多次采樣，并分別訓(xùn)練出多個不同模型，然后做綜合，來減小集成分類器的方差。假設(shè)每個基分類器出錯的概率都是相互獨立的，在某個測試樣本上，用簡單多數(shù)的投票方法來集成結(jié)果，超過半數(shù)基分類器都出錯的概率會小于每個單獨的基分類器的出錯概率。一個Bagging的簡單示例如下圖：
Boosting
Boosting是一族可將弱學(xué)習(xí)器提升為強學(xué)習(xí)器的算法。這族算法的工作機制類似：先從初始訓(xùn)練集訓(xùn)練出一個基學(xué)習(xí)器，再根據(jù)基學(xué)習(xí)器的表現(xiàn)對訓(xùn)練樣本分布進行調(diào)整，使得先前基學(xué)習(xí)器做錯的訓(xùn)練樣本在后續(xù)受到更多關(guān)注，然后基于調(diào)整后的樣本分布來訓(xùn)練下一個基學(xué)習(xí)器；如此重復(fù)進行，直至基學(xué)習(xí)器數(shù)目達到事先指定的值T，最終將這T個基學(xué)習(xí)器進行加權(quán)結(jié)合。
Boosting算法要求基學(xué)習(xí)器能對特定的數(shù)據(jù)分布進行學(xué)習(xí)，這可通過"重賦權(quán)法"（re—weighting）實施，即在訓(xùn)練過程的每一輪中，根據(jù)樣本分布為每個訓(xùn)練樣本重新賦予一個權(quán)重。對無法接受帶權(quán)樣本的基學(xué)習(xí)算法，則可通過"重采樣法"（re—sampling）來處理，即在每一輪學(xué)習(xí)中，根據(jù)樣本分布對訓(xùn)練集重新進行采樣，再用重采樣而得的樣本集對基學(xué)習(xí)器進行訓(xùn)練。
Bagging
Bagging[Breiman，1996a]是并行式集成學(xué)習(xí)方法最著名的代表。從名字即可看出，它直接基于自助采樣法（bootstrapsampling）。給定包含m個樣本的數(shù)據(jù)集，我們先隨機取出一個樣本放入采樣集中，再把該樣本放回初始數(shù)據(jù)集，使得下次采樣時該樣本仍有可能被選中，這樣，經(jīng)過m次隨機采樣操作，我們得到含m個樣本的采樣集，初始訓(xùn)練集中有的樣本在采樣集里多次出現(xiàn)，有的則從未出現(xiàn)。初始訓(xùn)練集中約有63.2%的樣本出現(xiàn)在來樣集中。
與標(biāo)準(zhǔn)AdaBoost只適用于二分類任務(wù)不間，Bagging能不經(jīng)修改地用于多分類、回歸等任務(wù)。
隨機森林
隨機森林（RandomForest，簡稱RF）是Bagging的一個擴展變體。RF在以決策樹為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進一步在決策樹的訓(xùn)練過程中引入了隨機屬性選擇。具體來說，傳統(tǒng)決策樹在選擇劃分屬性時是在當(dāng)前結(jié)點的屬性集合（假定有d個屬性）中選擇一個最優(yōu)屬性；而在RF中，對基決策樹的每個結(jié)點，先從該結(jié)點的屬性集合中隨機選擇一個包含k個屬性的子集，然后再從這個子集中選擇一個最優(yōu)屬性用于劃分。
隨機森林簡單、容易實現(xiàn)、計算開銷小，令人驚奇的是，它在很多現(xiàn)實任務(wù)中展現(xiàn)出強大的性能，被譽為"代表集成學(xué)習(xí)技術(shù)水平的方法"可以看出，隨機森林對Bagging只做了小改動，但與Bagging中基學(xué)習(xí)器的"多樣性"僅通過樣本擾動（通過對初始訓(xùn)練集采樣）而來不同，隨機森林中基學(xué)習(xí)器的多樣性不僅來自樣本擾動，還來自屬性擾動，這就使得最終集成的泛化性能可通過個體學(xué)習(xí)器之間差異度的增加而進一步提升。
隨機森林的訓(xùn)練效率常優(yōu)于Bagging，因為在個體決策樹的構(gòu)建過程中，Bagging使用的是"確定型"決策樹？在選擇劃分屬性時要對結(jié)點的所有屬性進行考察，而隨機森林使用的"隨機型"決策樹則只需考察—個屬性子集。
集成方法的結(jié)合策略
平均法
平均法又分為簡單平均法和加權(quán)平均法。
簡單平均法就是求均值。
加權(quán)平均法的權(quán)重一般是從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)而得，現(xiàn)實任務(wù)中的訓(xùn)練樣本通常不充分或存在噪聲，這將使得學(xué)出的權(quán)重不完全可靠。尤其是對規(guī)模比較大的集成來說，要學(xué)習(xí)的權(quán)重比較多，較容易導(dǎo)致過擬合。因此，實驗和應(yīng)用均顯示出，加權(quán)平均法未必一起優(yōu)于簡單平均法。一般而言，在個體學(xué)習(xí)器性能相差較大時宜使用加權(quán)平均法，而在個體學(xué)習(xí)器性能相近時宜使用簡單平均法。
投票法
投票法常用的有絕對多數(shù)投票法，相對多數(shù)投票法和加權(quán)投票法。
在不允許拒絕預(yù)測的任務(wù)中，絕對多數(shù)、相對多數(shù)投票法統(tǒng)稱為"多數(shù)投票法"
學(xué)習(xí)法
當(dāng)訓(xùn)練數(shù)據(jù)很多時，一種更為強大的結(jié)合策略是使用"學(xué)習(xí)法"，即通過Stacking本身是一種著另一個學(xué)習(xí)器來進行結(jié)合。Stacking是學(xué)習(xí)法的典型代表。這里我們把個體學(xué)習(xí)器稱為初級學(xué)習(xí)器，用于結(jié)合的學(xué)習(xí)器稱為次級學(xué)習(xí)器或元學(xué)習(xí)器（meta—learner）。
在訓(xùn)練階段，次級訓(xùn)練集是利用初級學(xué)習(xí)器產(chǎn)生的，若直接用初級學(xué)習(xí)器的訓(xùn)練集來產(chǎn)生次級訓(xùn)練集，則過擬合風(fēng)險會比較大;因此,一般是通過使用交叉驗證或留一法這樣的方式,用訓(xùn)練初級學(xué)習(xí)器未使用的樣本來產(chǎn)生次級學(xué)習(xí)器的訓(xùn)練樣本.
次級學(xué)習(xí)器的輸入屬性表示和次級學(xué)習(xí)算法對Stacking集成的泛化性能有很大影響.有研究表明，將初級學(xué)習(xí)器的輸出類概率作為次級學(xué)習(xí)器的輸入屬性，用多響應(yīng)線性回歸(Multi-responseLinearRegression，簡稱MLR)作為次級學(xué)習(xí)算法效果較好，在MLR中使用不同的屬性集更佳。
貝葉斯模型平均(BayesModelAveraging，簡稱BMA)基于后驗概率來為不同模型賦予權(quán)重7可視為加權(quán)平均法的一種特殊實現(xiàn).對Stacking和BMA進行了比較.理論上來說?若數(shù)據(jù)生成模型怡在當(dāng)前考慮的模型中，且數(shù)據(jù)噪聲很少，則BMA不差于Stacking;然而，在現(xiàn)實應(yīng)用中無法確保數(shù)據(jù)生成模型一定在當(dāng)前考慮的模型中，甚至可能難以用當(dāng)前考慮的模型來進行近似，因此，Stacking通常優(yōu)于BMA，因為其魯棒性比BMA更好，而且BMA對模型近似誤差非常敏感。
【集成學(xué)習(xí)方法】相關(guān)文章：
知識集成提升企業(yè)集成創(chuàng)新能力初探08-03
基于知識集成提升企業(yè)集成創(chuàng)新能力初探10-17
ＥＲＰ與ＳＣＭ的集成10-16
春季釣魚集成篇12-12
炬力集成筆試11-14
集成吊頂裝修的技巧09-24
集成電路設(shè)計與集成系統(tǒng)專業(yè)職業(yè)規(guī)劃書范文01-17
集成吊頂廣告語01-09
集成spring與Web容器教程10-10