随笔：集成学习:关于随机森林，梯度提升机的东拉西扯

1.集成学习

这里不会描述算法过程。

当我们有许多学习器对同一个任务做出判断，他们预测的概率可能各不相同，比如预测一个男生(小徐)会不会喜欢另一个女生(小雪)，支持向量机算出来小徐爱上小雪的概率是0.8，朴素贝叶斯认为是0.3，决策树觉得是0.7。假设大于0.5算认可。

我们不知道该听谁的，就按照最简单的两个方法来决定:

(1).少数服从多数：有两个分类器的预测概率都大于0.5，我们就认为是真的，小徐会喜欢小雪。这种硬核决策的方法被称为硬投票。

(2).概率平均计算:那么喜欢的概率就是（0.8+0.3+0.7）/ 3 = 0.6，说明也是喜欢，这种基于最高的概率就是软决策。不过这个例子有点简单，软决策是不同决策的概率，然后各自平均，概率最高的类就是最后选择的结果。

这种把各种分类器组合起来的方法就是集成学习。不过集成方法有两种，第一种是并形计算，第二种串行计算。

这是什么意思？

(1).并行计算，就是说这一组分类器各训练各的，互不干扰。训练完之后，再组合到到一起。比如随机森林。显然，各个分类器之间几乎相互不联系，所以他们的关系很弱，也就是弱依赖关系。代表算法是随机森林。

(2).串行计算，就是说这一组分类器，就跟人体蜈蚣一样，前面依赖后面，呕了，学习器之间有很强的依赖关系，代表算法是AdaBoost

2.bagging和pasting

当我们有一组分类器的时候，要对他们进行训练，用的是同一个训练集，每个分类器抽取训练集中的一部分训练。对于其中一个分类器，对于样本的抽取有两种

(1).抽到的样本放回去，这种方法叫做bagging

(2).抽到的样本不放回去，这种方法叫做pasting

也就是说，如果分类器可以用同样的样本训练，那么他就是bagging，如果不允许就是pastting。

理论上上来讲，每个单独的分类器，它的偏差要高于集成的。bagging训练出来的结果一般要比pasting更好，因为允许抽到同样的样本，所以多样性更好，降低了偏差。

随机森林就是弱关系的一组决策树集成起来的。西瓜书说随机森林是用bagging训练的。这个我觉得看情况吧，也许有些库使用了pasting也说不定。

3.boosting

前面已经说了bagging了，所以boosting就不说了。

就是前面的分类器对样本预测，后面对错误的样本多关注，也就是后面的分类器依赖前面的预测器的表现。

4.stacking

这种方法应该用得不对，因为我看scikit-learn没有实现这个算法。

它的奇特之处在于，把使用不同的分类器组合，堆叠起来，前面一层分类器做预测，输出可能的预测，然后把预测的结果给后面一层分类器做输入，有点像是神经网络，对不起，我不该这么说，这样误导了其他人。

?? 其实它是这样的。

??? 把训练集分类两个部分。第一个部分用来训练第一层的分类器，训练完毕之后，就用第二个部分训练集输入训练好的第一层，第一层会输出一组结果，这个结果就是第二层训练器的输入了，然后用第二部分的标签相匹配，用来训练第二层的分类器。

???? 就是这样。