1.集成学习概念:
2.为什么要集成:
3.hard voting 和 soft voting:
hard voting 是依据投票进行决策
soft voting 是依据各分类器的概率之和 进行决策
#coding=gbk
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3)
print(x[:10,:10])
print(x.shape,' ',y.shape) #(500, 2) (500,)
print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集
plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据,输出行列数据
plt.scatter(x[y==1,0],x[y==1,1])
plt.show() # 自定义一个数据集
当 noise 噪声为 0 时,显示是两个半圆的数据集
当噪声 noise 为 0.3 的数据集,画出图像为:
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=0)
from sklearn.linear_model import LogisticRegression #使用逻辑回归
clf = LogisticRegression()
clf.fit(x_train, y_train)
clf_score = clf.score(x_test, y_test)
print(clf_score) # 0.832
from sklearn.svm import SVC #使用支持向量机
svm = SVC()
svm.fit(x_train, y_train)
svm.score = svm.score(x_test, y_test)
print(svm.score) # 0.84
from sklearn.tree import DecisionTreeClassifier #使用决策树
tree = DecisionTreeClassifier()
tree.fit(x_train, y_train)
tree_score = tree.score(x_test, y_test)
print(tree_score) #0.808
#使用投票法集成学习
y_predict1 = clf.predict(x_test)
y_predict2 = svm.predict(x_test)
y_predict3 = tree.predict(x_test)
y_predict = np.array((y_predict1 + y_predict2 +y_predict3) >=2,dtype='int')
print(y_predict[:10]) #[1 1 0 1 0 1 1 1 1 0]投票法预测的结果
from sklearn.metrics import accuracy_score
all_score = accuracy_score(y_test, y_predict)
print(all_score) # 0.848 正确率有所提升
#使用sklearn 中的voting classifier
from sklearn.ensemble import VotingClassifier
voting_clf = VotingClassifier([
('log_clf', LogisticRegression()),
('svm_clf',SVC()),
('tree_clf',DecisionTreeClassifier())
],voting= 'hard')
voting_clf.fit(x_train, y_train)
voting_score = voting_clf.score(x_test, y_test)
print(voting_score) #0.848 和上述的预测结果是一样的, ‘hard’ 代表是投票机制,依据票数决定
#依据权重进行投票,为soft voting 计算每个模型概率的和 predict_proba,
#KNN 和逻辑回归 , 决策树 (svc也可以取得其概率 probability = True)
soft_voting_clf = VotingClassifier([
('log_clf',LogisticRegression()),
('svm_clf',SVC(probability=True)), #因为 soft voting 是依据概率来进行决策的, 所以需要是probability 为True
('tree_clf',DecisionTreeClassifier(random_state= 666, max_depth=8))
],voting = 'soft')
soft_voting_clf.fit(x_train, y_train)
soft_voting_score = soft_voting_clf.score(x_test, y_test)
print('soft_voting_score is %.4f'%soft_voting_score) # soft_voting_score is 0.8560
4.集成学习常用算法(Boosting, Bagging, Stacking(暂时不考虑,和神经网络有相似之处))
•Bagging:bagging通过降低基分类器方差改善了泛化能力,因此bagging的性能依赖于基分类器的稳定性,如果基分类器是不稳定的,bagging有助于减低训练数据的随机扰动导致的误差,但是如果基分类器是稳定的,即对数据变化不敏感,那么bagging方法就得不到性能的提升,甚至会减低,因为新数据集只有63%。最常用的是DT决策树
使用bagging 和 randomforest :
#coding=gbk
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3)
print(x[:10,:10])
print(x.shape,' ',y.shape) #(500, 2) (500,)
print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集
plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据,输出行列数据
plt.scatter(x[y==1,0],x[y==1,1])
# plt.show()
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y,random_state=666)
#使用bagging 有放回取样
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators= 50,max_samples = 100, #n_estimators 子模型的数量
bootstrap = True)
bagging_clf.fit(x_train, y_train)
bagging_score = bagging_clf.score(x_test, y_test)
print(bagging_score) # 0.872 #当estimators 为5000时,还是一样
#使用 oob_score = True 依据统计学,可能还有37% 的数据未抽到, 可将其作为测试集
bagging_clf2 = BaggingClassifier(DecisionTreeClassifier(),
n_estimators= 50,max_samples = 100, #n_estimators 子模型的数量
bootstrap = True, oob_score= True) #增加 oob_score =True
bagging_clf2.fit(x_train, y_train)
bagging_oob_score = bagging_clf2.oob_score_
print(bagging_oob_score) # 0.9306666666666666 很不错的数据
#bootstrap_features 为True 时, max_samples 既对数据进行随机抽样, 也对特征进行随机抽样
#使用 n_jobs 还可以进行并行处理
bagging_patches_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=500, max_samples=100,bootstrap = True,
max_features=1, bootstrap_features = True,random_state=666,
oob_score = True)
bagging_patches_clf.fit(x_train, y_train)
patches_score = bagging_patches_clf.oob_score_
print(patches_score) # 0.888
#使用随机森林, RandomForest 决策树在结点的划分上, 在随机的特征子集上, 寻找最优划分特征
print(' using randomForest')
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators=500, random_state = 666, oob_score=True, n_jobs=True)
rf_clf.fit(x_train, y_train)
print(rf_clf.oob_score_) # 0.9253333333333333
#Extra - Trees, 极度随机决策树, 在决策树的结点划分上, 使用随机的特征和随机的阈值,
#提供额外的随机性, 抑制过拟合, 当增大了bias
#用于比随机森林更快的训练速度
from sklearn.ensemble import ExtraTreesClassifier
er_clf = ExtraTreesClassifier(n_estimators=500, random_state=666, oob_score=True,
bootstrap= True, n_jobs=-1)
er_clf.fit(x,y)
print(er_clf.oob_score_) # 0.892
•boosting:提升方法是一个迭代的过程,通过改变样本分布,使得分类器聚集在那些很难分的样本上,对那些容易错分的数据加强学习,增加错分数据的权重,这样错分的数据再下一轮的迭代就有更大的作用(对错分数据进行惩罚)。数据的权重有两个作用,一方面我们可以使用这些权值作为抽样分布,进行对数据的抽样,另一方面分类器可以使用权值学习有利于高权重样本的分类器。
使用AdaBoost 和 Gradient Boosting 梯度提升
#coding=gbk
#使用 ada_boosting
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
x, y = datasets.make_moons(n_samples=500, random_state=42, noise =0.3)
print(x[:10,:10])
print(x.shape,' ',y.shape) #(500, 2) (500,)
print(y[:10]) #[1 0 1 0 0 1 1 0 0 1] 输出两类数据集
plt.scatter(x[y==0,0],x[y==0,1]) #画出 label y==0 这一行的数据,输出行列数据
plt.scatter(x[y==1,0],x[y==1,1])
# plt.show()
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y)
ac_clf = AdaBoostClassifier(DecisionTreeClassifier(max_depth=4), n_estimators=500, random_state= 666)
ac_clf.fit(x_train, y_train)
score = ac_clf.score(x_test, y_test)
print(score) # 0.928
# Gradient Boosting 梯度提升
#训练一个模型 m1 ,产生 错误e1, 针对e1 训练第二个模型m2 ,产生错误e2 继续训练下去,直到达到条件
from sklearn.ensemble import GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(max_depth=5, n_estimators=500)
gb_clf.fit(x_train, y_train)
score1 =gb_clf.score(x_test, y_test)
print(score1) # 0.88
AdaBoost 原理推导:
wil的笔记 的 blog中有个关于adaboost 的计算例子,十分有助于我们对adaboost的理解。
文中例子 ‘第二轮’中的Z1 表示:(就是全部新的权重因子的和,称为规范化因子,使其全部权重相加为1 .)
AdaBoost算法可以认为是一种模型为加法模型、损失函数为指数函数、学习算法为前向分步算法的而分类学习方法。
前向分步算法对加法模型的求解思路是:如果能够从前向后,每一步只学习一个基函数及其系数,逐步逼近优化目标,那么就可以简化优化的复杂度。
1. 的推导过程:
AdaBoost算法是前向分布加法算法的特例。这时,模型是由基本分类器组成的加法模型,损失函数是指数函数。即此时的基函数为基分类器。AdaBoost的最终分类器为:
定义损失函数为:
-------1
进行 t 轮的迭代可得:
-----2
我们的目标是求得 和 使得损失函数最小,将式2 带入到式1 当中:
其中: ,其均不依赖于 和 ,只与 ,会随着每一轮的迭代而发生变化。
对式子进行变形:
对式子 进行求导:
先令 :
可以得到:
由此知道:
αt 随着et 的减小而增大,所以分类误差率越小的基分类器在最终分类器中的作用越大。
2. 的推导:
由上述推导的式子:
将第一个式子两边 同时乘以 ,并作为 e 的指数,可以得到:
再添加一个分母进行规范化:
参考:https://www.cnblogs.com/willnote/p/6801496.html
https://blog.csdn.net/ruiyiin/article/details/77114072
https://blog.csdn.net/qq_32690999/article/details/78759463
adaboost算法原理参照:https://www.cnblogs.com/willnote/p/6801496.html
https://blog.csdn.net/v_july_v/article/details/40718799