DM集成學習的示例分析

小編給大家分享一下DM集成學習的示例分析，相信大部分人都還不怎么了解，因此分享這篇文章給大家參考一下，希望大家閱讀完這篇文章后大有收獲，下面讓我們一起去了解一下吧！

在解決分類問題時，假如分類模型不夠強大，對樣本的分類結果就不會很理想。這時如果我們多找一些分類模型，讓它們一起做決策，模型強度會不會高一點呢？

集成學習就是把多種分類器按策略組合起來，并根據所有分類器的分類結果做出最后的判斷。

如下圖，三種分類器的分類結果都有一點點錯誤，如果把三類組合在一起就可以完美地把所有形狀都區分開，而且分割曲線也較為平滑。

集成學習屬于監督學習中的分類問題，分為boosting和bagging兩大類。

一、Bagging

如何得到不同的分類器呢？我們可以調整同一訓練模型的不同參數，或者使用不同的訓練樣本訓練不同的模型。

有放回的采樣(Bootstrap Samples)：

每次拿出一個小球，記錄之后放回。這樣既保留了數據規律，又得到了不同的訓練樣本。

Bagging算法框架如下圖：

根據有放回采樣(選出F%的樣本)訓練出T個分類器，分別對測試樣本進行分類，然后投票決定測試樣本到底屬于哪類。

少數服從多數，所有分類器的地位完全等同。

二、基于決策樹的Bagging：RandomForests，RF

n個樣本，有放回的取出n個樣本，取n次。當n趨近于無窮的時候，大概有2/3的樣本被選過。

剩下的1/3(out of bag,OOB)正好可以去做測試。

隨機森林：

樹的數量為500較為合適（滿足要求即可）。為了生成不同的樹，首先對樣本用有放回的采樣隨機選取出樣本，使用不同的屬性對樹進行分層。

樣本屬性數量，我們隨機選取個屬性對樹進行劃分。這樣可以有效加快樹的建立過程。

三、Boosting

Boosting中分類器的生成過程并不是平行的，下一個分類器的生成是根據上一個分類器中分類對錯情況來決定的。

而且在boosting中又增加了一個分類器，把所有子分類器的輸出當作該判別器的輸入，而且對每條輸入都設置了權重。分類器對權重進行訓練、學習后得到分類結果。

Boosting框架如下圖所示：

Boosting偽代碼：

四、Adaboost

Adaboost算法是boosting中的一個門類，算法思想與boosting一致?？梢宰C明，adaboost的誤差上界會隨著訓練的進行而越來越小。 

Adaboost算法框架如下：

D1(i)表示每個樣本的權重，如果某些樣本之前被分錯了，它們的Dt+1(i)就會增大，之后分類器對這些樣本劃分時就會越關注。

表示樣本訓練誤差。由生成，同時也表示每個分類器的權重。

Adaboost算法中的參數設置很少，訓練過程幾乎全靠數據驅動。而且隨著迭代代數的增加，訓練并不會出現過擬合的情況。

但因為最終的分類結果由50（或更多）個分類模型組合得到，所以分類依據的可解釋性并不好。

如下圖為adaboost算法在matlab中的實現。將50個簡單的線性分類器組合起來，就能形成一條相對復雜的分割界面。

以上是“DM集成學習的示例分析”這篇文章的所有內容，感謝各位的閱讀！相信大家都有了一定的了解，希望分享的內容對大家有所幫助，如果還想學習更多知識，歡迎關注億速云行業資訊頻道！