集成学习算法：Bagging 和 Boosting

集成学习归属于机器学习，它是一种 ‘训练思路’，并不是某种具体的方法或者算法。集成学习的核心思路就是 ‘人多力量大’，它并没有创造出新的算法，而是把已有的算法进行结合，从而得到更好的效果。

Bagging 和 Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。

Bagging

Bagging 的思路是所有基础模型都一致对待，每个基础模型手里都只有一票。然后使用民主投票的方式得到最终的结果。大部分情况下，经过 bagging 得到的结果方差（variance）更小。

具体过程:

• 1. 从原始样本集中抽取训练集。每轮从原始样本集中使用 Bootstraping 的方法抽取 n 个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
• 2. 每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
• 3. 对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）

Boosting

Boosting 和 Bagging 最本质的差别在于他对基础模型不是一致对待的，而是经过不停的考验和筛选来挑选出‘精英’，然后给精英更多的投票权，表现不好的基础模型则给较少的投票权，然后综合所有人的投票得到最终结果。大部分情况下，经过 boosting 得到的结果偏差（bias）更小。

具体过程:

• 1. 通过加法模型将基础模型进行线性的组合。
• 2. 每一轮训练都提升那些错误率小的基础模型权重，同时减小错误率高的模型权重。
• 3. 在每一轮改变训练数据的权值或概率分布，通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样例的权值，来使得分类器对误分的数据有较好的效果。

关于Boosting的两个核心问题：

• 1. 在每一轮如何改变训练数据的权值或概率分布？
     通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样例的权值，来使得分类器对误分的数据有较好的效果。
• 2. 通过什么方式来组合弱分类器？
     通过加法模型将弱分类器进行线性组合，比如AdaBoost通过加权多数表决的方式，即增大错误率小的分类器的权值，同时减小错误率较大的分类器的权值。而提升树通过拟合残差的方式逐步减小残差，将每一步生成的模型叠加得到最终模型。

Bagging 和 Boosting的区别

样本选择上：

• Bagging：训练集是在原始集中有放回选取的，从原始集中选出的各轮训练集之间是独立的。
• Boosting：每一轮的训练集不变，只是训练集中每个样例在分类器中的权重发生变化。而权值是根据上一轮的分类结果进行调整。

样例权重：

• Bagging：使用均匀取样，每个样例的权重相等
• Boosting：根据错误率不断调整样例的权值，错误率越大则权重越大。

预测函数：

• Bagging：所有预测函数的权重相等。
• Boosting：每个弱分类器都有相应的权重，对于分类误差小的分类器会有更大的权重。

并行计算：

• Bagging：各个预测函数可以并行生成。
• Boosting：各个预测函数只能顺序生成，因为后一个模型参数需要前一轮模型的结果。

小结：

Boosting 方法本质上属于加法模型（各个基分类器的线性组合），同时属于前向分步算法，它每轮训练的模型都是在上一个模型的基础上进行进一步优化，通过不断迭代来降低整个模型的偏差，所以 Boosting 模型的一个特点就是低偏差、高方差，最典型的代表就是 Adaboost 算法。与其相反的就是 Bagging算 法，最典型的代表就是 RF。Bagging 模型的各个子模型之间互不影响，最后通过加权的方式组合到一起，以达到降低方差的效果，所以说 Bagging 是高偏差、低方差的模型。
这两种方法都是把若干个分类器整合为一个分类器的方法，只是整合的方式不一样，最终得到不一样的效果，将不同的分类算法套入到此类算法框架中一定程度上会提高了原单一分类器的分类效果，但是也增大了计算量。
将决策树与这些算法框架进行结合所得到的新的算法：

• 1. Bagging + 决策树 = 随机森林
• 2. AdaBoost + 决策树 = 提升树
• 3. Gradient Boosting + 决策树 = GBDT