大连理工大学选修课——机器学习笔记（7）：集成学习及随机森林

集成学习及随机森林

集成学习概述

泛化能力的局限

每种学习模型的能力都有其上限

• 限制于特定结构
• 受限于训练样本的质量和规模

如何再提高泛化能力？

• 研究新结构
• 扩大训练规模

提升模型的泛化能力

创造性思路

• 组合多个学习模型

集成学习

集成学习不是特定的学习模型，而实一种构建模型的思路，一种训练学习的思想

强可学习和弱可学习

强可学习：对于一个概念或者一个类，如果存在一个多项式学习算法可以学习它，正确率高，则该概念是强可学习的。

弱可学习：如果能学习，但正确率只比瞎猜略好，则称为弱可学习。

也已证明，强可学习和弱可学习等价：

如果一个问题存在弱可学习算法，则必然存在强可学习算法

为集成学习奠定了基础

集成学习的基本问题

如何建立或选择弱学习模型

弱学习模型通常是单个的模型，是被集成的成员

如何制定组合策略

如何将多个学习模型的预测结果整合在一起

不同的组合策略会带来不同的结果

构建弱学习模型的策略

通常弱学习模型都是同类学习模型

同类模型之间的关系

1. 无依赖关系

   • 系列成员模型可以并行生成
   • 代表算法：bagging，随机森林

2. 强依赖关系

   • 系列成员模型可串行生成
   • 代表算法：boosting、梯度提升树

3. 平均法

   1. 处理回归问题

   2. 对弱学习模型的输出进行平均得到最终的预测输出

      $$H(x)=\frac{1}{n}\sum _{i=1}^n{h}_i(x)$$

   3. 也可以引入权重

      $$H(x)=\frac{1}{n}\sum _{i=1}^n{w}_i{h}_i(x)$$

4. 投票法

• 处理分类问题

  少数服从多数，最大票数相同则随机选择

  也可以新增加要求，例如票数过半

  也可以给每个成员不同的投票权重

1. 再学习法

   平均法和投票法可能带来大学习误差

   • 再学习

     • 建立新的学习模型：再集成学习的组合端增加一个学习模型

     • 成员学习的模型输出作为新的学习模型的输入，集成模型的数量为n，新数据集维度为n

     • 代表方法：stacking

       

Bagging

——Bagging Aggregating的缩写

Bootstrap是一种有放回操作的抽样方法

• 抽取的样本会有重复

在这里，用来指导构建弱分类器

• 使用同类学习模型时采用的策略

• 可降低模型过拟合的可能性

  

采样过程说明

• 样本集规模为M，采样集规模也为M

  • 样本集的样本不减少，每次采集后还要放回，因此同一样本可能会多次采集到。
  • 每次随机采集一个样本，随机采集M次，组成采样集
  • 随机采样，组成规模为M的n个采样集
    • 由于随机性，n个采样集不完全一样
    • 训练出的弱学习模型也存在差别

• 采样集中不被选中样本的概率

  每次采样，每个样本不被选中的概率为：

  $$p(x)=1-\frac{1}{M}$$

  M次不被选中的概率为：

  $$\begin{gathered} p(x)=(1-\frac{1}{M}{)}^M \\ \underset{M\to \infty }{\lim }(1-\frac{1}{M}{)}^M=\frac{1}{e}\approx 0.368 \end{gathered}$$

  这些数据称为袋外数据，大约36.8%的样本可以用作测试集

弱学习模型的选择

• 原则上没有限制，通常选择决策树或神经网络

组合策略

回归问题用平均法，分类问题用投票法

算法描述

随机森林

——Bagging算法的一个具体实现

• 采用CART作为弱学习模型
• 特征选择也引入了随机性
  • 随机选择特征的子集$d_{sub}<d$
  • 在子集中选择最优的分割特征
  • 该操作可以进一步增强学习模型的泛化能力

极端随机树(ExtraTrees)

极端随机树的弱分类器不依赖于训练的改变

• 不抽样，也就不使用Bootstrap方法
• 也不像Boosting那样，改变训练样本权重

它的随机性体现在树结点分裂时的两个随机过程

1. 随机选择一小部分样本的特征
2. 随机在部分属性随机选择使结点分裂的属性
   1. 因为不考虑分裂的是不是最优属性，因此有些“极端”。

极端随机树的优势

算法复杂度

• 对比RandomForest，Extratree更快
  • 不抽样，不选择最优特征

拟合效果

因为不选择最优特征，预测结果的方差大，不易过拟合

基本不用剪枝

泛化能力

在某些领域ExtraTree比RandomForest好些

对于那些训练集分布与真实差别比较大的数据，ExtraTree更有优势

如果弱学习模型引入Bootstrap，随机性会进一步增大