集成模型（分类）
模型描述
集成(Ensemble)分类模型便是综合考量多个分类器的预测结果，从而做出决策。这种综合考量的方式大体上分为两种：
一是利用相同的训练数据同时搭建多个独立的分类模型，然后通过投票的方式，以少数服从多数的原则来做出最终的分类决策。比较具有代表性的模型是随机森林分类器(Random Forest Classifier)，即在相同训练数据上同时搭建多棵决策树(Decision Tree)。一棵标准的决策树会根据每维特征对预测结果的影响程度进行排序，进而决定不同特征从上至下构建分裂节点的顺序；如此一来，所有在随机森林分类器中的决策树都会受这一策略影响而构建得完全一致，从而丧失多样性。因此，随机森林分类器在构建过程中，每一棵决策树都会放弃这一固定的排序算法，转而随机选取特征。
另一种是按照一定的次序构建多个分类模型，这些模型之间彼此存在依赖关系。一般而言，每一个后续模型的加入都需要对现有集成模型的综合性能有所贡献，进而不断提升更新过后的集成模型的性能，并最终期望借助整合多个分类能力较弱的分类器，搭建出具有更强分类能力的模型。比较具有代表性的是梯度提升决策树(Gradient Tree Boosting)。与构建随机森林分类器模型不同，这里每一棵决策树在生成的过程中都会尽可能降低整体集成模型在训练集上的拟合误差。
数据描述
依旧是泰坦尼克数据。
# 导入pandas，并且重命名为pd。
import pandas as pd
# 通过互联网读取泰坦尼克乘客档案，并存储在变量titanic中。
titanic = pd.read_csv('C:\\Datasets\\Titanic\\titanic.txt')
# 人工选取pclass、age以及sex作为判别乘客是否能够生还的特征。
X = titanic[['pclass', 'age', 'sex']]
y = titanic['survived']
# 对于缺失的年龄信息，我们使用全体乘客的平均年龄代替，这样可以在保证顺利训练模型的同时，尽可能不影响预测任务。
X['age'].fillna(X['age'].mean(), inplace=True)
# 对原始数据进行分割，25%的乘客数据用于测试。
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state = 33)
# 对类别型特征进行转化，成为特征向量。
from sklearn.feature_extraction import DictVectorizer
vec = DictVectorizer(sparse=False)
X_train = vec.fit_transform(X_train.to_dict(orient='record'))
X_test = vec.transform(X_test.to_dict(orient='record'))
# 使用单一决策树进行模型训练以及预测分析。
from sklearn.tree import DecisionTreeClassifier
dtc = DecisionTreeClassifier()
dtc.fit(X_train, y_train)
dtc_y_pred = dtc.predict(X_test)
# 使用随机森林分类器进行集成模型的训练以及预测分析。
from sklearn.ensemble import RandomForestClassifier
rfc = RandomForestClassifier()
rfc.fit(X_train, y_train)
rfc_y_pred = rfc.predict(X_test)
from sklearn.ensemble import GradientBoostingClassifier
gbc = GradientBoostingClassifier()
gbc.fit(X_train, y_train)
gbc_y_pred = gbc.predict(X_test)
# 从sklearn.metrics导入classification_report。
from sklearn.metrics import classification_report
# 输出单一决策树在测试集上的分类准确性，以及更加详细的精确率、召回率、F1指标。
print ('The accuracy of decision tree is', dtc.score(X_test, y_test))
print (classification_report(dtc_y_pred, y_test))
The accuracy of decision tree is 0.7811550151975684
precision recall f1-score support
0 0.91 0.78 0.84 236
1 0.58 0.80 0.67 93
accuracy 0.78 329
macro avg 0.74 0.79 0.75 329
weighted avg 0.81 0.78 0.79 329
# 输出随机森林分类器在测试集上的分类准确性，以及更加详细的精确率、召回率、F1指标。
print ('The accuracy of random forest classifier is', rfc.score(X_test, y_test))
print (classification_report(rfc_y_pred, y_test))
The accuracy of random forest classifier is 0.7811550151975684
precision recall f1-score support
0 0.90 0.78 0.83 234
1 0.59 0.79 0.68 95
accuracy 0.78 329
macro avg 0.75 0.78 0.76 329
weighted avg 0.81 0.78 0.79 329
# 输出梯度提升决策树在测试集上的分类准确性，以及更加详细的精确率、召回率、F1指标。
print ('The accuracy of gradient tree boosting is', gbc.score(X_test, y_test))
print (classification_report(gbc_y_pred, y_test))
The accuracy of gradient tree boosting is 0.790273556231003
precision recall f1-score support
0 0.92 0.78 0.84 239
1 0.58 0.82 0.68 90
accuracy 0.79 329
macro avg 0.75 0.80 0.76 329
weighted avg 0.83 0.79 0.80 329
特点分析
集成模型可以说是实战应用中最常见的，相比于其他单一模型，集成模型可以集成多种模型，或者多次就一种类型的模型进行建模。由于模型估计参数的过程也同样收到概率的影响，具有一定不确定性。虽然在训练过程中要耗费更多的时间，但是得到的综合模型往往具有更高的表现性能和稳定性。
网友评论