正文

bagging算法原理（Bagging算法原理）

發(fā)布時(shí)間：2023-04-07 17:18:22 稿源：創(chuàng)意嶺閱讀： 69

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于bagging算法原理的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、機(jī)器學(xué)習(xí)中Bagging和Boosting的區(qū)別
2、Bagging與Boosting最大的不同在哪里?它們對模型性能最大的貢獻(xiàn)在哪里?
3、分類算法 - adaboost
4、隨機(jī)森林算法是什么？

bagging算法原理（Bagging算法原理）

一、機(jī)器學(xué)習(xí)中Bagging和Boosting的區(qū)別

【機(jī)器學(xué)習(xí)】Boosting和Bagging的差別

boosting和bagging的差別：

bagging中的模型是強(qiáng)模型，偏差低，方差高。目標(biāo)是降低方差。在bagging中，每個(gè)模型的bias和variance近似相同，但是互相相關(guān)性不太高，因此一般不能降低Bias，而一定程度上能降低variance。典型的bagging是random forest。

boosting中每個(gè)模型是弱模型，偏差高，方差低。目標(biāo)是通過平均降低偏差。boosting的基本思想就是用貪心法最小化損失函數(shù)，顯然能降低偏差，但是通常模型的相關(guān)性很強(qiáng)，因此不能顯著降低variance。典型的Boosting是adaboost，另外一個(gè)常用的并行Boosting算法是GBDT（gradient boosting decision tree）。這一類算法通常不容易出現(xiàn)過擬合。

過擬合的模型，通常variance比較大，這時(shí)應(yīng)該用bagging對其進(jìn)行修正。

欠擬合的模型，通常Bias比較大，這時(shí)應(yīng)該可以用boosting進(jìn)行修正。使用boosting時(shí)，每一個(gè)模型可以簡單一些。

金融常見的問題，是只用linear regression，這樣一般來講是欠擬合的，因此需要引入一些非線性的特征，欠擬合的模型可以先使用boosting嘗試一下，如果效果不好，再使用其他的方法。過擬合的方法，通常使用bagging是會(huì)有一定的作用的。

二、Bagging與Boosting最大的不同在哪里?它們對模型性能最大的貢獻(xiàn)在哪里?

兩種不同的集成算法，Bagging采用重復(fù)取樣:boostrap 每個(gè)個(gè)體分類器所采用的訓(xùn)練樣本都是從訓(xùn)練集中按等概率抽取的，因此Bagging的各子網(wǎng)能夠很好的覆蓋訓(xùn)練樣本空間，從而有著良好的穩(wěn)定性。

而Boosting注重分類錯(cuò)誤的樣本，將個(gè)體子網(wǎng)分類錯(cuò)誤的訓(xùn)練樣本的權(quán)重提高，降低分類錯(cuò)誤的樣本權(quán)重，并依據(jù)修改后的樣本權(quán)重來生成新的訓(xùn)練樣本空間并用來訓(xùn)練下一個(gè)個(gè)體分類器。然而，由于Boosting算法可能會(huì)將噪聲樣本或分類邊界樣本的權(quán)重過分累積，因此Boosting很不穩(wěn)定，但其在通常情況下，其泛化能力是最理想的集成算法之一。

你得自己去查文獻(xiàn)，別來這問，這沒人做學(xué)術(shù)的，我也是偶爾看到你的提問。

三、分類算法 - adaboost

Adaboost是一種迭代算法，其核心思想是針對同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個(gè)更強(qiáng)的最終分類器（強(qiáng)分類器）。

Adaboost算法已被證明是一種有效而實(shí)用的Boosting算法。該算法是Freund和Schapire于1995年對Boosting算法的改進(jìn)得到的，其算法原理是通過調(diào)整樣本權(quán)重和弱分類器權(quán)值，從訓(xùn)練出的弱分類器中篩選出權(quán)值系數(shù)最小的弱分類器組合成一個(gè)最終強(qiáng)分類器?；谟?xùn)練集訓(xùn)練弱分類器，每次下一個(gè)弱分類器都是在樣本的不同權(quán)值集上訓(xùn)練獲得的。每個(gè)樣本被分類的難易度決定權(quán)重，而分類的難易度是經(jīng)過前面步驟中的分類器的輸出估計(jì)得到的。

Adaboost算法在樣本訓(xùn)練集使用過程中，對其中的關(guān)鍵分類特征集進(jìn)行多次挑選，逐步訓(xùn)練分量弱分類器，用適當(dāng)?shù)拈撝颠x擇最佳弱分類器，最后將每次迭代訓(xùn)練選出的最佳弱分類器構(gòu)建為強(qiáng)分類器。其中，級聯(lián)分類器的設(shè)計(jì)模式為在盡量保證感興趣圖像輸出率的同時(shí)，減少非感興趣圖像的輸出率，隨著迭代次數(shù)不斷增加，所有的非感興趣圖像樣本都不能通過，而感興趣樣本始終保持盡可能通過為止。

1. 先通過對N個(gè)訓(xùn)練樣本的學(xué)習(xí)得到第一個(gè)弱分類器

2. 將分錯(cuò)的樣本和其他的新數(shù)據(jù)一起構(gòu)成一個(gè)新的N個(gè)的訓(xùn)練樣本，通過對這個(gè)樣本的學(xué)習(xí)得到第二個(gè)弱分類器

3. 將1和2都分錯(cuò)了的樣本加上其他的新樣本構(gòu)成另一個(gè)新的N個(gè)的訓(xùn)練樣本，通過對這個(gè)樣本的學(xué)習(xí)得到第三個(gè)弱分類器

4. 最終經(jīng)過提升的強(qiáng)分類器。即某個(gè)數(shù)據(jù)被分為哪一類要由各分類器權(quán)值決定

由Adaboost算法的描述過程可知，該算法在實(shí)現(xiàn)過程中根據(jù)訓(xùn)練集的大小初始化樣本權(quán)值，使其滿足均勻分布，在后續(xù)操作中通過公式來改變和規(guī)范化算法迭代后樣本的權(quán)值。樣本被錯(cuò)誤分類導(dǎo)致權(quán)值增大，反之權(quán)值相應(yīng)減小，這表示被錯(cuò)分的訓(xùn)練樣本集包括一個(gè)更高的權(quán)重。這就會(huì)使在下輪時(shí)訓(xùn)練樣本集更注重于難以識(shí)別的樣本，針對被錯(cuò)分樣本的進(jìn)一步學(xué)習(xí)來得到下一個(gè)弱分類器，直到樣本被正確分類。在達(dá)到規(guī)定的迭代次數(shù)或者預(yù)期的誤差率時(shí)，則強(qiáng)分類器構(gòu)建完成。

（1）很好的利用了弱分類器進(jìn)行級聯(lián)

（2）可以將不同的分類算法作為弱分類器

（3）AdaBoost具有很高的精度

（4）相對于bagging算法和Random Forest算法，AdaBoost充分考慮的每個(gè)分類器的權(quán)重

（1）AdaBoost迭代次數(shù)也就是弱分類器數(shù)目不太好設(shè)定，可以使用交叉驗(yàn)證來進(jìn)行確定

（2）數(shù)據(jù)不平衡導(dǎo)致分類精度下降

（3）訓(xùn)練比較耗時(shí)，每次重新選擇當(dāng)前分類器最好切分點(diǎn)

看到這個(gè)算法你是不是似曾相識(shí)？對，他們都是由多個(gè)弱算法組合成一個(gè)強(qiáng)算法的原理。印證了“三個(gè)臭皮匠賽過諸葛亮”。但是其實(shí)他們棣屬于不同的算法框架：

1）Bagging + 決策樹 = 隨機(jī)森林

2）AdaBoost + 決策樹 = 提升樹

那么bagging和boosting分別是什么呢？

Bagging和Boosting都是將已有的分類或回歸算法通過一定方式組合起來，形成一個(gè)性能更加強(qiáng)大的分類器，更準(zhǔn)確的說這是一種分類算法的組裝方法。即將弱分類器組裝成強(qiáng)分類器的方法。

A）從原始樣本集中抽取訓(xùn)練集。每輪從原始樣本集中使用Bootstraping的方法抽取n個(gè)訓(xùn)練樣本（在訓(xùn)練集中，有些樣本可能被多次抽取到，而有些樣本可能一次都沒有被抽中）。共進(jìn)行k輪抽取，得到k個(gè)訓(xùn)練集。（k個(gè)訓(xùn)練集之間是相互獨(dú)立的）

B）每次使用一個(gè)訓(xùn)練集得到一個(gè)模型，k個(gè)訓(xùn)練集共得到k個(gè)模型。（注：這里并沒有具體的分類算法或回歸方法，我們可以根據(jù)具體問題采用不同的分類或回歸方法，如決策樹、感知器等）

C）對分類問題：將上步得到的k個(gè)模型采用投票的方式得到分類結(jié)果；對回歸問題，計(jì)算上述模型的均值作為最后的結(jié)果。（所有模型的重要性相同）

其主要思想是將弱分類器組裝成一個(gè)強(qiáng)分類器。在PAC（概率近似正確）學(xué)習(xí)框架下，則一定可以將弱分類器組裝成一個(gè)強(qiáng)分類器。關(guān)于Boosting的兩個(gè)核心問題：

通過提高那些在前一輪被弱分類器分錯(cuò)樣例的權(quán)值，減小前一輪分對樣例的權(quán)值，來使得分類器對誤分的數(shù)據(jù)有較好的效果。

通過加法模型將弱分類器進(jìn)行線性組合，比如AdaBoost通過加權(quán)多數(shù)表決的方式，即增大錯(cuò)誤率小的分類器的權(quán)值，同時(shí)減小錯(cuò)誤率較大的分類器的權(quán)值。而提升樹通過擬合殘差的方式逐步減小殘差，將每一步生成的模型疊加得到最終模型。

Bagging：訓(xùn)練集是在原始集中有放回選取的，從原始集中選出的各輪訓(xùn)練集之間是獨(dú)立的。

Boosting：每一輪的訓(xùn)練集不變，只是訓(xùn)練集中每個(gè)樣例在分類器中的權(quán)重發(fā)生變化。而權(quán)值是根據(jù)上一輪的分類結(jié)果進(jìn)行調(diào)整。

Bagging：使用均勻取樣，每個(gè)樣例的權(quán)重相等

Boosting：根據(jù)錯(cuò)誤率不斷調(diào)整樣例的權(quán)值，錯(cuò)誤率越大則權(quán)重越大。

Bagging：所有預(yù)測函數(shù)的權(quán)重相等。

Boosting：每個(gè)弱分類器都有相應(yīng)的權(quán)重，對于分類誤差小的分類器會(huì)有更大的權(quán)重。

Bagging：各個(gè)預(yù)測函數(shù)可以并行生成

Boosting：各個(gè)預(yù)測函數(shù)只能順序生成，因?yàn)楹笠粋€(gè)模型參數(shù)需要前一輪模型的結(jié)果。

這兩種方法都是把若干個(gè)分類器整合為一個(gè)分類器的方法，只是整合的方式不一樣，最終得到不一樣的效果，將不同的分類算法套入到此類算法框架中一定程度上會(huì)提高了原單一分類器的分類效果，但是也增大了計(jì)算量。

四、隨機(jī)森林算法是什么？

隨機(jī)森林算法是以決策樹為基學(xué)習(xí)器構(gòu)建bagging的基礎(chǔ)上，進(jìn)一步在決策樹的訓(xùn)練過程中引入隨機(jī)屬性的算法。

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹的分類器，并且其輸出的類別是由個(gè)別樹輸出的類別的眾數(shù)而定。 Leo Breiman和Adele Cutler發(fā)展出推論出隨機(jī)森林的算法。

而 "Random Forests" 是他們的商標(biāo)。這個(gè)術(shù)語是1995年由貝爾實(shí)驗(yàn)室的Tin Kam Ho所提出的隨機(jī)決策森林（random decision forests）而來的。這個(gè)方法則是結(jié)合 Breimans 的 "Bootstrap aggregating" 想法和 Ho 的"random subspace method"以建造決策樹的集合。

bagging算法原理（Bagging算法原理）