來源：DeepHub IMBA

作者：Abhay Parashar

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支領(lǐng)域，致力于構(gòu)建自動(dòng)學(xué)習(xí)和自適應(yīng)的系統(tǒng)，它利用統(tǒng)計(jì)模型來可視化、分析和預(yù)測(cè)數(shù)據(jù)。一個(gè)通用的機(jī)器學(xué)習(xí)模型包括一個(gè)數(shù)據(jù)集(用于訓(xùn)練模型)和一個(gè)算法(從數(shù)據(jù)學(xué)習(xí))。但是有些模型的準(zhǔn)確性通常很低產(chǎn)生的結(jié)果也不太準(zhǔn)確，克服這個(gè)問題的最簡(jiǎn)單的解決方案之一是在機(jī)器學(xué)習(xí)模型上使用集成學(xué)習(xí)。

集成學(xué)習(xí)是一種元方法，通過組合多個(gè)機(jī)器學(xué)習(xí)模型來產(chǎn)生一個(gè)優(yōu)化的模型，從而提高模型的性能。集成學(xué)習(xí)可以很容易地減少過擬合，避免模型在訓(xùn)練時(shí)表現(xiàn)更好，而在測(cè)試時(shí)不能產(chǎn)生良好的結(jié)果。

總結(jié)起來，集成學(xué)習(xí)有以下的優(yōu)點(diǎn)：

• 增加模型的性能
• 減少過擬合
• 降低方差
• 與單個(gè)模型相比，提供更高的預(yù)測(cè)精度。
• 可以處理線性和非線性數(shù)據(jù)。

集成技術(shù)可以用來解決回歸和分類問題

下面我們將介紹各種集成學(xué)習(xí)的方法：

Voting

Voting是一種集成學(xué)習(xí)，它將來自多個(gè)機(jī)器學(xué)習(xí)模型的預(yù)測(cè)結(jié)合起來產(chǎn)生結(jié)果。在整個(gè)數(shù)據(jù)集上訓(xùn)練多個(gè)基礎(chǔ)模型來進(jìn)行預(yù)測(cè)。每個(gè)模型預(yù)測(cè)被認(rèn)為是一個(gè)“投票”。得到多數(shù)選票的預(yù)測(cè)將被選為最終預(yù)測(cè)。

有兩種類型的投票用于匯總基礎(chǔ)預(yù)測(cè)-硬投票和軟投票。

硬投票選擇投票數(shù)最高的預(yù)測(cè)作為最終預(yù)測(cè)，而軟投票將每個(gè)模型中每個(gè)類的概率結(jié)合起來，選擇概率最高的類作為最終預(yù)測(cè)。

在回歸問題中，它的工作方式有些不同，因?yàn)槲覀儾皇菍ふ翌l率最高的類，而是采用每個(gè)模型的預(yù)測(cè)并計(jì)算它們的平均值，從而得出最終的預(yù)測(cè)。

 from sklearn.ensemble import VotingClassifier

 ## Base Models

 from sklearn.tree import DecisionTreeClassifier

 from sklearn.linear_model import LogisticRegression

 from sklearn.naive_bayes import GaussianNB

 from sklearn.neighbors import KNeighborsClassifier

 from sklearn.svm import SVC

 ensemble_voting = VotingClassifier(

    estimators = [('dtc',DecisionTreeClassifier(random_state=42)),

                  ('lr', LogisticRegression()),

                  ('gnb', GaussianNB()),

                  ('knn',KNeighborsClassifier()),

                  ('svc',SVC())],

    voting='hard')

 ensemble_voting.fit(X_train,y_train)

Bagging

Bagging是采用幾個(gè)弱機(jī)器學(xué)習(xí)模型，并將它們的預(yù)測(cè)聚合在一起，以產(chǎn)生最佳的預(yù)測(cè)。它基于bootstrap aggregation,bootstrap 是一種使用替換方法從集合中抽取隨機(jī)樣本的抽樣技術(shù)。aggregation則是利用將幾個(gè)預(yù)測(cè)結(jié)合起來產(chǎn)生最終預(yù)測(cè)的過程。

隨機(jī)森林是利用Bagging的最著名和最常用的模型之一。它由大量的決策樹組成，這些決策樹作為一個(gè)整體運(yùn)行。它使用Bagging和特征隨機(jī)性的概念來創(chuàng)建每棵獨(dú)立的樹。每棵決策樹都是從數(shù)據(jù)中隨機(jī)抽取樣本進(jìn)行訓(xùn)練。在隨機(jī)森林中，我們最終得到的樹不僅接受不同數(shù)據(jù)集的訓(xùn)練，而且使用不同的特征來預(yù)測(cè)結(jié)果。

Bagging通常有兩種類型——決策樹的集合(稱為隨機(jī)森林)和決策樹以外的模型的集合。兩者的工作原理相似，都使用聚合方法生成最終預(yù)測(cè)，唯一的區(qū)別是它們所基于的模型。在sklearn中，我們有一個(gè)BaggingClassifier類，用于創(chuàng)建除決策樹以外的模型。

 ## Bagging Ensemble of Same Classifiers (Decision Trees)

 from sklearn.ensemble import RandomForestClassifier  

 classifier= RandomForestClassifier(n_estimators= 10, criterion="entropy")  

 classifier.fit(x_train, y_train)

 ## Bagging Ensemble of Different Classifiers

 from sklearn.ensemble import BaggingClassifier

 from sklearn.svm import SVC

 clf = BaggingClassifier(base_estimator=SVC(),

                          n_estimators=10, random_state=0)

 clf.fit(X_train,y_train)

Boosting

增強(qiáng)集成方法通過重視先前模型的錯(cuò)誤，將弱學(xué)習(xí)者轉(zhuǎn)化為強(qiáng)學(xué)習(xí)者。Boosting以順序的方式實(shí)現(xiàn)同構(gòu)ML算法，每個(gè)模型都試圖通過減少前一個(gè)模型的誤差來提高整個(gè)過程的穩(wěn)定性。

在訓(xùn)練n+1模型時(shí)，數(shù)據(jù)集中的每個(gè)數(shù)據(jù)點(diǎn)都被賦予了相等的權(quán)重，這樣被模型n錯(cuò)誤分類的樣本就能被賦予更多的權(quán)重（重要性）。誤差從n個(gè)學(xué)習(xí)者傳遞給n+1個(gè)學(xué)習(xí)者，每個(gè)學(xué)習(xí)者都試圖減少誤差。

ADA Boost是使用Boost生成預(yù)測(cè)的最基本模型之一。ADA boost創(chuàng)建一個(gè)決策樹樁森林(一個(gè)樹樁是一個(gè)只有一個(gè)節(jié)點(diǎn)和兩個(gè)葉子的決策樹)，不像隨機(jī)森林創(chuàng)建整個(gè)決策樹森林。它給分類錯(cuò)誤的樣本分配更高的權(quán)重，并繼續(xù)訓(xùn)練模型，直到得到較低的錯(cuò)誤率。

 from sklearn.tree import DecisionTreeClassifier

 from sklearn.ensemble import AdaBoostClassifier

 dt = DecisionTreeClassifier(max_depth=2, random_state=0)

 adc = AdaBoostClassifier(base_estimator=dt, n_estimators=7, learning_rate=0.1, random_state=0)

 adc.fit(x_train, y_train)

Stacking

Stacking也被稱為疊加泛化，是David H. Wolpert在1992年提出的集成技術(shù)的一種形式，目的是通過使用不同的泛化器來減少錯(cuò)誤。

疊加模型利用來自多個(gè)基礎(chǔ)模型的預(yù)測(cè)來構(gòu)建元模型，用于生成最終的預(yù)測(cè)。堆疊模型由多層組成，其中每一層由幾個(gè)機(jī)器學(xué)習(xí)模型組成，這些模型的預(yù)測(cè)用于訓(xùn)練下一層模型。

在疊加過程中，將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分。訓(xùn)練集會(huì)被進(jìn)一步劃分為k-fold。基礎(chǔ)模型在k-1部分進(jìn)行訓(xùn)練，在k??部分進(jìn)行預(yù)測(cè)。這個(gè)過程被反復(fù)迭代，直到每一折都被預(yù)測(cè)出來。然后將基本模型擬合到整個(gè)數(shù)據(jù)集，并計(jì)算性能。這個(gè)過程也適用于其他基本模型。

來自訓(xùn)練集的預(yù)測(cè)被用作構(gòu)建第二層或元模型的特征。這個(gè)第二級(jí)模型用于預(yù)測(cè)測(cè)試集。

 from sklearn.neighbors import KNeighborsClassifier

 from sklearn.tree import DecisionTreeClassifier

 from sklearn.svm import SVC

 from sklearn.linear_model import LogisticRegression

 from sklearn.ensemble import StackingClassifier

 base_learners = [

                  ('l1', KNeighborsClassifier()),

                  ('l2', DecisionTreeClassifier()),

                  ('l3',SVC(gamma=2, C=1)))

                ]

 model = StackingClassifier(estimators=base_learners, final_estimator=LogisticRegression(),cv=5)

 model.fit(X_train, y_train)

Blending

Blending是從Stacking派生出來另一種形式的集成學(xué)習(xí)技術(shù)，兩者之間的唯一區(qū)別是它使用來自一個(gè)訓(xùn)練集的保留(驗(yàn)證)集來進(jìn)行預(yù)測(cè)。簡(jiǎn)單地說，預(yù)測(cè)只針對(duì)保留的數(shù)據(jù)集。保留的數(shù)據(jù)集和預(yù)測(cè)用于構(gòu)建第二級(jí)模型。

 import numpy as np

 from sklearn.datasets import make_classification

 from sklearn.model_selection import train_test_split

 from sklearn.metrics import accuracy_score

 ## Base Models

 from sklearn.neighbors import KNeighborsClassifier

 from sklearn.tree import DecisionTreeClassifier

 from sklearn.svm import SVC

 ## Meta Learner

 from sklearn.linear_model import LogisticRegression

 ## Creating Sample Data

 X,y = make_classification(n_samples=10000, n_features=20, n_informative=15, n_redundant=5, random_state=42)

 ## Training a Individual Logistic Regression Model

 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

 logrec = LogisticRegression()

 logrec.fit(X_train,y_train)

 pred = logrec.predict(X_test)

 score = accuracy_score(y_test, pred)

 print('Base Model Accuracy: %.3f' % (score*100))

 ## Defining Base Models

 def base_models():

  models = list()

  models.append(('knn', KNeighborsClassifier()))

  models.append(('dt', DecisionTreeClassifier()))

  models.append(('svm', SVC(probability=True)))

  return models

 ## Fitting Ensemble Blending Model

 ## Step 1:Splitting Data Into Train, Holdout(Validation) and Test Sets

 X_train_full, X_test, y_train_full, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

 X_train, X_val, y_train, y_val = train_test_split(X_train_full, y_train_full, test_size=0.33, random_state=1)

 ## Step 2: train base models on train set and make predictions on validation set

 models = base_models()

 meta_X = list()

 for name, model in models:

    # training base models on train set

 model.fit(X_train, y_train)

 # predict on hold out set

 yhat = model.predict_proba(X_val)

    # storing predictions

 meta_X.append(yhat)

 # horizontal stacking predictions

 meta_X = np.hstack(meta_X)

 ## Step 3: Creating Blending Meta Learner

 blender = LogisticRegression()

 ## training on base model predictions

 blender.fit(meta_X, y_val)

 ## Step 4: Making predictions using blending meta learner

 meta_X = list()

 for name, model in models:

  yhat = model.predict_proba(X_test)

  meta_X.append(yhat)

 meta_X = np.hstack(meta_X)

 y_pred = blender.predict(meta_X)

 # Evaluate predictions

 score = accuracy_score(y_test, y_pred)

 print('Blending Accuracy: %.3f' % (score*100))

 ---------------------------------

 Base Model Accuracy: 82.367

 Blending Accuracy: 96.733

總結(jié)

在閱讀完本文之后，您可能想知道是否有選擇一個(gè)更好的模型最好的方法或者如果需要的話，使用哪種集成技術(shù)呢？

在這個(gè)問題時(shí)，我們總是建議從一個(gè)簡(jiǎn)單的個(gè)體模型開始，然后使用不同的建模技術(shù)(如集成學(xué)習(xí))對(duì)其進(jìn)行測(cè)試。在某些情況下，單個(gè)模型可能比集成模型表現(xiàn)得更好，甚至好很多。

需要說明并且需要注意的一點(diǎn)是：集成學(xué)習(xí)絕不應(yīng)該是第一選擇，而應(yīng)該是最后一個(gè)選擇。原因很簡(jiǎn)單:訓(xùn)練一個(gè)集成模型將花費(fèi)很多時(shí)間，并且需要大量的處理能力。

回到我們的問題，集成模型旨在通過組合同一類別的幾個(gè)基本模型來提高模型的可預(yù)測(cè)性。每種集成技術(shù)都是最好的，有助于提高模型性能。

如果你正在尋找一種簡(jiǎn)單且易于實(shí)現(xiàn)的集成方法，那么應(yīng)該使用Voting。如果你的數(shù)據(jù)有很高的方差，那么你應(yīng)該嘗試Bagging。如果訓(xùn)練的基礎(chǔ)模型在模型預(yù)測(cè)中有很高的偏差，那么可以嘗試不同的Boosting技術(shù)來提高準(zhǔn)確性。如果有多個(gè)基礎(chǔ)模型在數(shù)據(jù)上表現(xiàn)都很好好，并且不知道選擇哪一個(gè)作為最終模型，那么可以使用Stacking 或Blending的方法。當(dāng)然具體哪種方法表現(xiàn)得最好還是要取決于數(shù)據(jù)和特征分布。

最后集成學(xué)習(xí)技術(shù)是提高模型精度和性能的強(qiáng)大工具，它們很容易減少數(shù)據(jù)過擬合和欠擬合的機(jī)會(huì)，尤其在參加比賽時(shí)這是提分的關(guān)鍵。