“Two heads are better than one.”

“三个臭皮匠，顶一个诸葛亮”

把多个人的智慧集合到一起，可能会比一个人好，放在机器学习上，我们借鉴这一经验，把融合多个学习方法的结果来提升效果的方法，我们叫做：Ensemble learning 集成学习。

一、集成学习简介

假设我们有三个样本，h1、h2、h3代表三个分类器，预测结果如下：

对于上图这种结果，我们可以看到h1、h2、h3预测的准确率都是2/3，我们让h1、h2、h3进行投票，发现在最后一行，三个样本都预测对了，这样便是产生了积极的影响。

同理对于上面两种情况，分别是没有影响和产生了负面影响。

由于可能会产生不同的影响，因此我们要求：分类器需要效果好且不同！

(效果不好(弱分类器 acc<50%)：情况c，相同：情况b)

直觉: 把对同一个问题的多个预测结果综合起来考虑的精度，应该比单一学习方法效果好。

证实: (一些理由)

很容易找到非常正确的 “rules of thumb（经验法则）” ，但是很难找到单个的有高准确率的规则

如果训练样本很少，假设空间很大，则存在多个同样精度的假设。选择某一个假设可能在测试集上效果较差。

算法可能会收敛到局部最优解。融合不同的假设可以降低收敛到一个不好的局部最优的风险。或者在假设空间中穷举地全局搜索代价太大，所以我们可以结合一些在局部预测比较准确的假设。

由当前算法定义的假设空间不包括真实的假设, 但做了一些不错的近似。

两个概念：

强学习器: 有高准确度的学习算法

弱学习器: 在任何训练集上可以做到比随机预测略好 error = ½ -γ

我们能否把一个弱学习器增强成一个强学习器?

集成学习基本想法

有时一个单个分类器 (e.g. 决策树、神经网络…) 表现不好，但是它们的加权融合表现不错。

算法池中的每一个学习器都有它的权重。

当需要对一个新的实例作预测时：

每个学习器作出自己的预测
然后主算法把这些结果根据权值合并起来，作出最终预测。

集成学习策略

法1：平均

简单平均
加权平均

法2：投票

多数投票法
加权投票法

法3：学习

加权多数
堆叠（Stacking ）：层次融合，基学习器的输出作为次学习器的输入。

二、Weighted Majority Algorithm （加权多数算法）

加权多数算法 – 预测

假设二值输出：算法池里有n个算法，每个算法已经有自己的输出，它的权值分别是w1,w2...wn, 主算法对其进行加权得到q0和q1，谁大我们就pred谁。

加权多数算法 – 训练

三、Bagging

如果我们只有一个弱学习器，如何通过集成来提升它的表现?

不同的数据上训练可以获得不同的基础模型

一个朴素的方法: 从训练集种采样不同的子集且训练不同的基础模型

这些模型会大不相同，但它们的效果可能很差。

解决办法: 拔靴采样（Bootstrap sampling）

给定集合 D ，含有 m 训练样本；
通过从D中均匀随机的有放回采样m个样本构建 Di ；
希望 Di 会遗漏掉 D 中的某些样本。

Bagging 算法

For t = 1, 2, …, T Do

从S中拔靴采样产生 Dt
在 Dt 上训练一个分类器Ht

最后，分类一个新的样本x∈X 时，通过对 Ht 多数投票(等权重)。

比如我们从大集合S中放回采样T组，每组样例都有自己的训练值ci，来了一个新的样本x，我们对每个ci(x)进行输出投票。

数据集: Rousseeuw 和 Leroy (1986)，臭氧含量 vs. 温度。 100 拔靴采样样本。

灰色线条: 初始的10个预测器; 红色线条: 平均。

Breiman “Bagging Predictors” Berkeley Statistics Department TR#421, 1994。

给定样例集S，Breiman重复下列工作100次报告平均结果:

方法 I:

把 S 随机划分成测试集 T(10%) 和训练集 D (90%)
从D中训练 决策树 算法，记 eS 为它在测试集 T 上的错误率

方法 II:

重复50次: 生成拔靴采样集合Di ，进行决策树学习，记 eB 为决策树多数投票在测试集T上的错误率（集成大小 = 50）

同样的实验，但使用最近邻分类器（欧式距离)

发生了什么? 为什么 ?

Bagging：讨论

Bagging 在学习器“不稳定”时有用，关键是预测方法的不稳定性。

E.g. 决策树、神经网络

为什么？

不稳定: 训练集小的差异可以造成产生的假设大不相同。
“如果打乱训练集合可以造成产生的预测器大不相同，则bagging算法可以提升其准确率。” (Breiman 1996)

总结

加权多数算法

相同数据集，不同学习算法
产生多个模型，加权融合

Bagging

一个数据集，一个弱分类器
生成多组训练样本来训练多个模型，然后集成。

四、Boosting

是否有一个集成算法能够考虑学习中数据的差异性？

基本想法--从失败中学习

给每个样本一个权值
T 轮迭代，在每轮迭代后增大错误分类样本的权重。 – 更关注于“难”样本

AdaBoost

简而言之：少数提升，多数降低。

AdaBoost.M1

此时做错的一定是少数派，我们把正确的降低权重(β<1, 归一化)，重复t轮融合，去新的权重log(1/β)

我们不停地更新权重w1,w2...wT，把每一个分类器(带着自己权值)融合在一起，来一个新的样本时加权计算。

例如：

最终假设

AdaBoost在实际使用时的优点

快
简单 + 易编程实现
只有一个参数要调 (T )
没有先验知识
灵活: 可以和任何分类器结合(NN, C4.5, …)
被证明是有效的 (尤其是弱学习器)
转变了思路: 现在目标是仅仅需要寻找比随机猜测好一些的假设就可以了

AdaBoost注意事项

性能依赖于数据 & 弱学习器

在下列情况中使用AdaBoost会失效

弱学习器太复杂 (过拟合)
弱学习器太弱 (αt ->0 太快),
- 欠拟合
- 边界太窄->过拟合

过去的实验表明，AdaBoost 似乎很容易受到噪声的影响

五、讨论

Bagging vs. Boosting

训练集合

Bagging: 随机选择样本，各轮训练集相互独立
Boosting: 与前轮的学习结果有关，各轮训练集并不独立

预测函数

Bagging: 没有权重; 便于并行
Boosting: 权重变化呈指数; 只能顺序进行

效果

实际中，bagging几乎总是有效。
平均地说，Boosting比bagging好一些，但boosting算法也较常出现损害系统性能的情况。
对稳定模型来说bagging效果不好，Boosting可能仍然有效。
Boosting 可能在有噪声数据上带来性能损失，Bagging没有这个问题。

重新调权 vs. 重新采样

Reweighting 调整样本权重可能更难处理
- 一些学习方法无法使用样本权重
- 很多常用工具包不支持训练集上的权重
Resampling 我们可以重采样来代替:
- 对数据使用boostrap抽样，抽样时根据每个样例的权值确定其被抽样的概率
一般重新调权效果会更好一些但重新抽样更容易实现

Bagging & boosting 应用

互联网内容过滤
图像识别
手写识别
语音识别
文本分类

AI遮天传 ML-集成学习相关推荐

AI遮天传 ML/DL-感知机
感知机的出现是人工智能发展史一大重要里程碑,其后才诞生了:多层感知机.卷积神经网络等一系列的经典网络模型. 在我看来,它虽然是深度学习领域的一大开端,但本身解决的只是线性二分类问题,它本身与机器学习经 ...
AI遮天传 DL-深度学习在计算机视觉中的应用
本文只做一些在计算机视觉中应用的简单介绍,童叟无欺. 一.图像分类 a. 通用图像分类将不同图片按照内容进行分类 b. 特定图像分类特定识别人脸.某种动物.汽车等 1.1 人脸验证下面是两种典型 ...
AI遮天传 DL-回归与分类
本文主要介绍Logistic回归和Softmax回归一.回归与分类回忆给定数据点集合和相应的标签 ,对于一个新的数据点x,预测它的标签(目标是找到一个映射 ): 如果是一个连续的集合,称其为回 ...
AI遮天传 ML-广义线性模型(一)
前文:AI遮天传 ML-回归分析入门_老师我作业忘带了的博客-CSDN博客前文回顾: 还记得很久很久以前,我们学习了简单的回归分析,这其实与我们在学校所学的求解回归方程并没无太大的区别,或许仅是维度 ...
详解人工智能（AI) 机器学习（ML) 深度学习（DL）
有三个词,这两年出现的频率越来越高:人工智能(AI),机器学习(ML),深度学习(DL),到底他们哥仨是什么关系?今天小编化繁为简,用几张图带你迅速看明白.关系如图,从提出概念的时间上来看也很清楚: ...
AI遮天传 DL-反馈神经网络RNN
本文会先介绍动态系统的概念,然后介绍两种简单的反馈神经网络,然后再介绍两种门控神经网络(LSTM, GRU),最后是关于反馈神经网络的应用(本次以语音识别为例). RNN: Recurrent neu ...
AI遮天传 DL-CNN
上次我们介绍了多层感知机(MLP),本次将介绍深度学习领域中第二个基本的模型:卷积神经网络(CNN).CNN在MLP之上又引入了两种新的层:卷积层和池化层. 一.简介 1.1 大脑皮层中的局部检测器和 ...
AI遮天传 ML-KNN
我们之前学习的方法如决策树.回归分析.贝叶斯分析都可以看作是三步走的学习方法,即: 估计问题的特征(如分布) 做出模型假设(LSE.Decision.Tree.MAP.MLE ) 找到最优的参数 ...
AI遮天传 ML-SVM
支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik等于1995年首先提出的,它在解决小样本.非线性及高维模式式识别中表现出许多特有的优势,并 ...

AI遮天传 ML-集成学习