三十六、【人工智能】【机器学习】【监督学习】- Bagging算法模型

系列文章目录

第一章 【机器学习】初识机器学习

第二章 【机器学习】【监督学习】- 逻辑回归算法 (Logistic Regression)

第三章 【机器学习】【监督学习】- 支持向量机 (SVM)

第四章【机器学习】【监督学习】- K-近邻算法 (K-NN)

第五章【机器学习】【监督学习】- 决策树 (Decision Trees)

第六章【机器学习】【监督学习】- 梯度提升机 (Gradient Boosting Machine, GBM)

第七章 【机器学习】【监督学习】-神经网络 (Neural Networks)

第八章【机器学习】【监督学习】-卷积神经网络 (CNN)

第九章【机器学习】【监督学习】-循环神经网络 (RNN)

第十章【机器学习】【监督学习】-线性回归

第十一章【机器学习】【监督学习】-局部加权线性回归 (Locally Weighted Linear Regression, LWLR)

第十二章【机器学习】【监督学习】- 岭回归 (Ridge Regression)

十三、【机器学习】【监督学习】- Lasso回归 (Least Absolute Shrinkage and Selection Operator)

十四、【机器学习】【监督学习】- 弹性网回归 (Elastic Net Regression)

十五、【机器学习】【监督学习】- 神经网络回归 

十六、【机器学习】【监督学习】- 支持向量回归 (SVR)

十七、【机器学习】【非监督学习】- K-均值 (K-Means) 

十八、【机器学习】【非监督学习】- DBSCAN (Density-Based Spatial Clustering of Applications with Noise)十九、【机器学习】【非监督学习】- 层次聚类 (Hierarchical Clustering)二十、【机器学习】【非监督学习】- 均值漂移 (Mean Shift)

二十一、【机器学习】【非监督学习】- 谱聚类 (Spectral Clustering)​​ 

目录

系列文章目录

一、基本定义

（一）、监督学习

（二）、监督学习的基本流程

（三）、监督学习分类算法（Classification）

二、 Bagging

（一）、定义

（二）、基本概念

（三）、训练过程

Bagging的训练过程详解

1. 数据准备：Bootstrap Sampling

2. 模型训练

3. 预测阶段

4. 聚合策略

5. 结果评估与应用

（四）、特点与适用场景

（五）、扩展

三、总结

一、基本定义

（一）、监督学习

        监督学习（Supervised Learning）是机器学习中的一种主要方法，其核心思想是通过已知的输入-输出对（即带有标签的数据集）来训练模型，从而使模型能够泛化到未见的新数据上，做出正确的预测或分类。在监督学习过程中，算法“学习”的依据是这些已标记的例子，目标是找到输入特征与预期输出之间的映射关系。

（二）、监督学习的基本流程

        数据收集：获取包含输入特征和对应正确输出标签的训练数据集。
        数据预处理：清洗数据，处理缺失值，特征选择与转换，标准化或归一化数据等，以便于模型学习。
        模型选择：选择合适的算法，如决策树、支持向量机、神经网络等。
        训练：使用训练数据集调整模型参数，最小化预测输出与实际标签之间的差距（损失函数）。
        验证与调优：使用验证集评估模型性能，调整超参数以优化模型。
        测试：最后使用独立的测试集评估模型的泛化能力，确保模型不仅在训练数据上表现良好，也能在未见过的新数据上做出准确预测。

（三）、监督学习分类算法（Classification）

        定义：分类任务的目标是学习一个模型，该模型能够将输入数据分配到预定义的几个类别中的一个。这是一个监督学习问题，需要有一组已经标记好类别的训练数据，模型会根据这些数据学习如何区分不同类别。
        例子：垃圾邮件检测（垃圾邮件 vs. 非垃圾邮件）、图像识别（猫 vs. 狗）。

二、 Bagging

（一）、定义

Bagging，全称为Bootstrap Aggregating，是一种集成学习方法，旨在通过构建多个不同的模型并将其结果进行汇总，以提高预测的准确性和模型的稳定性。Bagging的核心思想是通过有放回地从原始数据集中抽取多个子样本，然后在每个子样本上独立训练不同的模型，最后将这些模型的结果进行平均或投票，以得到最终的预测结果。

（二）、基本概念

1. Bootstrap Sampling：Bagging中的“Bootstrap”指的是从原始数据集中有放回地抽取相同大小的样本集，这意味着每个样本在子集中可能被多次选中，也可能完全不被选中。

2. 多样性：由于每个子样本集都是独立抽取的，因此在每个子样本上训练的模型也会有所不同，这种多样性是Bagging能够提高模型稳定性的关键。

3. Aggregation：训练完成后，Bagging通过聚合所有模型的预测结果来做出最终预测。对于分类问题，通常采用多数投票的方式；对于回归问题，则是取平均值。

（三）、训练过程

Bagging的训练过程可以概括为以下几步：

1. 数据准备：从原始数据集中通过Bootstrap Sampling抽取多个子样本集。

2. 模型训练：在每个子样本集上独立训练一个基学习器（如决策树）。由于数据集的随机性，每个基学习器都会有所不同。

3. 预测阶段：对于一个新的输入实例，所有基学习器都会给出自己的预测，然后根据问题类型（分类或回归）进行投票或平均，得到最终的预测结果。

Bagging的训练过程详解

Bagging（Bootstrap Aggregating）是一种强大的集成学习技术，用于提高预测模型的性能，尤其是减少模型的方差，使其更加稳定和可靠。下面是Bagging训练过程的详细步骤：

1. 数据准备：Bootstrap Sampling

•  数据集划分：首先，从原始训练数据集 ( D ) 中，通过Bootstrap Sampling（自助抽样法）随机抽取 ( N ) 个样本（( N ) 通常是原始数据集的大小），形成一个新的样本集 ( D_i )。这一过程是有放回地进行的，意味着同一个样本可能在新的样本集中出现多次，而有些样本可能一次也不出现。
• •重复抽样：这一过程会重复进行 ( B ) 次，生成 ( B ) 个不同的样本集 ( D_1, D_2, ..., D_B )，每个样本集的大小都大致等于原始数据集的大小。

2. 模型训练

• 独立建模：对于每个样本集 ( D_i )，独立地训练一个基学习器 ( h_i(x) )。基学习器的选择可以是任何机器学习模型，但通常选择的是决策树，因为它们容易过拟合并能从中受益于Bagging带来的稳定性提升。
• 并行训练：这些基学习器可以在不同的样本集上并行训练，因为它们之间没有依赖关系，这使得Bagging非常适合于并行计算环境。

3. 预测阶段

•  单个模型预测：对于一个新输入 ( x )，每个基学习器 ( h_i(x) ) 将给出一个预测结果。
• 结果汇总：根据问题的类型（分类或回归），汇总所有基学习器的预测结果。对于分类问题，通常采用多数投票（Majority Voting）的方式决定最终预测类别；对于回归问题，则是计算所有基学习器预测值的平均值作为最终预测。

4. 聚合策略

•  分类问题：如果基学习器是分类器，那么对于新样本 ( x )，每个分类器 ( h_i(x) ) 都会给出一个类别标签。最终的预测类别是所有分类器预测类别中出现次数最多的那个。
• 回归问题：如果基学习器是回归器，那么每个回归器 ( h_i(x) ) 都会给出一个数值预测。最终的预测值是所有回归器预测值的算术平均。

5. 结果评估与应用

•  模型评估：可以通过交叉验证或保留的测试集来评估Bagging模型的性能。通常，Bagging模型的性能优于单一基学习器的性能，尤其是在减少过拟合和提高预测稳定性方面。
• 模型应用：一旦训练完成，Bagging模型就可以用于对新的未见数据进行预测。

通过上述步骤，Bagging能够有效减少模型的方差，提高预测的稳定性，同时保持甚至增强模型的准确性，特别是在处理高方差模型和复杂数据集时表现尤为突出。

（四）、特点与适用场景

• 减少方差：Bagging通过多样化基学习器来减少模型的方差，提高预测稳定性，尤其适用于高方差的模型，如决策树。

• 提高准确性：由于模型的多样性，Bagging通常能够提高整体的预测准确性，尤其是在处理具有噪声或复杂分布的数据集时。

• 处理不平衡数据：Bagging可以有效地处理类别不平衡的问题，因为在Bootstrap抽样中，少数类别的样本有更多的机会被多次选中，从而在训练集中得到更好的表示。

• 特征选择：可以结合特征重要性分析，帮助识别哪些特征对预测结果影响最大。

（五）、扩展

Bagging的概念可以扩展到多种模型和算法中，以下是一些常见的扩展：

• Random Forest：在Bagging的基础上，Random Forest进一步引入了特征随机选择的概念，即在每次分裂时只考虑一部分特征，这增加了模型的多样性和泛化能力。

• AdaBoost：虽然AdaBoost和Bagging都是集成学习方法，但AdaBoost侧重于加权调整，给那些被前一个模型错误分类的样本更高的权重，以使后续模型更加关注这些困难样本。

• Stacking：Stacking是一种更复杂的集成学习策略，它不仅使用Bagging或其他集成方法生成多个模型，还会使用一个元模型来学习如何最好地组合这些模型的输出。

三、总结

Bagging是一种非常实用的集成学习方法，特别适用于处理高方差模型、减少过拟合风险以及提高模型在复杂数据集上的表现。通过与不同类型的基学习器结合，Bagging可以适应多种机器学习任务和应用场景。