国内网站开发公司网站流量来源

Bagging

$Bagging$是并行式集成学习方法最著名的代表，这个名字是由$BootstrapAGGregatING$而来，顾名思义，该算法由$Booststrap$与$Aggregating$两部分组成。

欲得到泛化性能强的集成，集成中的个体学习器应尽可能相互独立，一种可能的做法是对训练样本进行采样，产生若干不同的子集，再从每个数据子集中训练处一个学习器。同时，为了获得更好的集成，每个个体学习器不能太差。如果每次采样出的子集都完全不同，则每个基学习器只用到了一小部分训练数据，甚至不足以进行有效学习，这显然无法确保产生出比较好的基学习器。

$Bagging$为解决这个问题，使用自助取样($Bootstraping$)。给定包含$m$个样本的数据集，我们先随机取出一个样本放入采样集中，再将该样本放回初始数据集，使得下次采样时该样本仍有可能被选中，这样，经过$m$次随机采样操作，我们得到含$m$个样本的采样集，初始训练集中有的样本在采样集里多次出现，有的则从未出现，可以做一个简单的估计，样本在$m$次采样中始终不被采到的概率是${(1-\frac{1}{m})}^m$，求极限得到：
$$\underset{m\to \infty }{\lim }{(1-\frac{1}{m})}^m\to \frac{1}{e}\approx 0.368$$
可知，初始训练集中约有$63.2\%$的样本出现在采样集中。

算法：

设有一个大小为$N$的训练数据集，每次从该数据集中有放回的选出大小为$M$的子数据集，一共选$K$次；
根据这$K$个子数据集，训练学习出$K$个模型；
使用这$K$个模型进行预测，再通过取平均值或者多数分类的方式，得到最后的预测结果。

随机森林 Random Forest

随机森林简称$RF$，是以决策树为估计器的$Bagging$算法。

算法：

假设训练集$T$的大小为$N$，特征数为$M$，随机森林的大小为$K$；
遍历$RF$的大小$K$次：
从训练集T中有放回抽样的方式，取样$N$次形成一个新子训练集$D$；
随机选择$m$个特征，其中$m<M$；
使用新的训练集$D$和$m$个特征，学习出一个完整的决策树
得到随机森林。

RF的优点

1. 针对很多任务可以产生高准确度的分类器；
2. 可以处理大量的输入变量；
3. 可以在决定类别时，给出变量的重要性；
4. 在建造森林时，可以在内部对于一般化后的误差产生不偏差的估计；
5. 包含一个好方法可以估计丢失的资料，并且如果有很大一部分的资料丢失，仍可以维持准确度；
6. 对于不平衡的分类资料集来说，可以平衡误差；
7. 可被延伸应用在未标记的资料上，这类资料通常是使用非监督式聚类，也可以侦测偏离者和观看资料；
8. 学习过程很快速。

RF的缺点

1. 不可解释性；
2. 在噪音较大的任务上会过拟合；
3. 在多分类任务中，RF可能无法提高基学习器的准确性。