集成学习（ensemble Learning）

红太狼 2022-06-07 05:35 207阅读 0赞

集成学习（ensemble Learning）通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统（multi-classifier system）、基于委员会的学习（committee-based learning）等，其一般结构是先产生一组“个体学习器”（individual learning），再用某种策略将它们结合起来。个体学习器通常由一个现有的学习算法从训练数据中产生，如果个体学习器的集成是同质（homogeneous）的，那么同质集成中的个体学习器称为“基学习器”（base learner）；如果是异质（heterogenous）的，则相应的个体学习器称为“组件学习器”（component learner）或直接称为个体学习器。

其主要分为三大类：Boosting、Bagging、Stacking。其中Boosting的代表有AdaBoost，gbdt，xgboost；Bagging的代表则是随机森林（Random Forest）。

Boosting主要关注降低偏差，因此Boosting能基于泛化性能相当弱的学习器构造出很强的集成；而Bagging主要关注降低方差，因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。

**一、Boosting**

Boosting是一种可将弱学习器提升为强学习器的算法，它是一种序列化方法，有着强依赖关系，必须串行生成，不过xgboost有些例外，xgboost可以在节点分裂属性选择上做并行计算。Boosting的工作类似：先基于初始训练集训练出一个弱的学习器，然后根据前一个弱学习器做错的训练样本，改变样本的概率分布，构成新的训练集，然后基于调整后的样本分布训练下一个学习器，这样反复迭代提升，知道基学习器的数目达到指定值，最后将这T个基学习器进行加权结合，就构成了一个很强的学习器。

（1）AdaBoost，也就是Adaptive Boosting（自适应增强），其主要思想就是在不改变训练数据的情况下，通过在迭代训练弱学习器中，不断提升被错分类的样本权重，不断减少正确分类样本的权重；最后通过加权线性组合M个弱分类器得到最终的分类器；正确率越高的弱分类器，其投票权数就越高，相反越低。

（2）GBDT，也就是Gradient Boosting Decision Tree，又叫MART（Multiple Additive Regression Tree）。GBDT中的树都是回归树，不是分类树，因为gradient boost需要按照损失函数的梯度近似地几何残差，这样拟合的是连续值，所以是回归树。它是一种迭代决策树的算法，该算法由多颗决策树组成，所有树的结论累加起来才能得到最终答案。

——Regression Decision Tree（回归树），总体流程类似于分类树，但是回归树的每个节点都会得到一个预测值；

——Boosting Decision Tree（提升树），是迭代多颗回归树来共同决策，也就是说，整个迭代过程生成的回归树的累加；

——Gradient Boosting Decision Tree（梯度梯度提升决策树），提升树利用加性模型（additive model）和前向分步算法实现学习的优化过程。

（3）xgboost，类似于GBDT，但是其在精度和效率上都有提升，相对于GBDT，其具体优点有

1）损失函数用泰勒展开式二项逼近，而不是GBDT中的一阶导数

2）对树的结构进行了正则化约束，防止模型过度复杂，降低了过拟合的风险

3）节点分裂的方式不同，GBDT使用的是Gini系数，xgboost是进过优化推导后的

——xgboost是GB算法的高效实现，xgboost中的基学习器除了可以是CART（gbtree）也可以是线性分类器（gblinear）。

**二、Bagging**

Bagging是一种并列化方法，没有强依赖关系，可同时生成。其基本流程：采样出T个含m个训练样本的采样集（又放回采样），然后基于每个采样集训练出一个基学习器，再将这些学习器进行结合。

随机森林（Random Forest，RF），是Bagging的一个扩展变体，RF在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。随机森林简单、容易实现、计算开销小，随机森林中基学习器的多样性不仅来自样本扰动，也来自属性扰动（Bagging中基学习器的多样性只来自样本扰动）。

**三、Stacking**

stacking产生方法是一种截然不同的组合多个模型的方法，它讲的是组合学习器的概念，但是使用的比Bagging和Boosting要少。具体过程如下：

（1）将训练集划分为两个不相交的集合；

（2）在第一个集合上训练多个学习器；

（3）在第二个集合上训练这几个学习器；

（4）把第三步得到的预测结果作为输入，把正确的回应作为输出，训练一个高层学习器。