文章目录
首先我们建造如下数据集,作为接下来的训练数据
- 二维数据集
- 500个样本,2个特征(0, 1)
import numpy as np
import matplotlib.pyplot as plt
## 创建数据集
from sklearn import datasets
x, y = datasets.make_moons(n_samples=500, noise=0.3, random_state=42)
plt.scatter(x[y==0,0],x[y==0,1])
plt.scatter(x[y==1,0],x[y==1,1])
plt.show()
一,什么是集成学习
集成学习的思想其实就是我们使用多个弱学习器一起解决一个问题,类似于“三个臭皮匠赛过诸葛亮”的道理。
首先,我们把数据集分为训练集和测试集
## 进行数据切分
from sklearn.model_selection import train_test_split
x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=42)
我们分别使用逻辑回归
,SVC
和决策树
进行数据学习,并且分别得到他们每一个准确率。
from sklearn.linear_model import LogisticRegression
log_clf = LogisticRegression()
log_clf.fit(x_train, y_train)
log_clf.score(x_test, y_test)
>>>0.864
from sklearn.svm import SVC
svm_clf = SVC()
svm_clf.fit(x_train, y_train)
svm_clf.score(x_test, y_test)
>>>0.888
from sklearn.tree import DecisionTreeClassifier
df_clf = DecisionTreeClassifier()
df_clf.fit(x_train, y_train)
df_clf.score(x_test, y_test)
>>>0.84
接下来,再分别适用三个基学习器对测试集进行预测
## 分别得到三种基学习器的预测结果
y_predict1 = log_clf.predict(x_test)
y_predict2 = svm_clf.predict(x_test)
y_predict3 = df_clf.predict(x_test)
最后,我们通过投票的方式集成以上三种基学习器的学习结果
## 集成以上三种的预测数据,通过投票的方法得到集成结果
y_predict = np.array((y_predict1 + y_predict2 + y_predict3) >= 2,dtype=int)
y_predict[:10]
>>>array([1, 0, 0, 1, 1, 1, 0, 0, 0, 0])
通过计算集成学习的准确率可以看出,准确率有明显的提升,而这仅仅使用了500个样本和3个基学习器。
## 计算集成学习的准确率
from sklearn.metrics import accuracy_score
accuracy_score(y_test, y_predict)
>>>0.896
二,使用SKlearn中提供的集成学习器解决分类问题
2.1 Voting Classifier 投票集成
我们可以指定想用那几个基学习器,例如下面我们就指定选用了逻辑回归
,SVC
和决策树
作为基学习器。
2.1.1 少数服从多数原则的投票集成-Hard Voting
这里我们依旧使用逻辑回归
,SVC
和决策树
作为基学习器。
参数说明:
- 使用哪几个基学习器 estimators = [ (‘名字1’, 基学习器1), (‘名字2’, 基学习器2)…]
- voting=‘hard’ 表示使用简单地投票方法得到集成结果(少数服从多数原则,后边会提到考虑概率的投票方法)
from sklearn.ensemble import VotingClassifier
## 考虑我们要使用那些基学习器进行集成
estimators = [
('log_clf', LogisticRegression()),
('svm_clf', SVC()),
('df_clf', DecisionTreeClassifier())
]
## 训练集成算法(voting='hard'表示使用投票方式得到集成结果)
voting_clf = VotingClassifier(estimators=estimators, voting='hard')
voting_clf.fit(x_train, y_train)
这里我把训练后返回的学习器参数单独列了出来(如下),可以看到我们使用的每一个基学习器的参数。
>>>VotingClassifier(estimators=[('log_clf',
LogisticRegression(C=1.0, class_weight=None,
dual=False, fit_intercept=True,
intercept_scaling=1,
l1_ratio=None, max_iter=100,
multi_class='warn',
n_jobs=None, penalty='l2',
random_state=None,
solver='warn', tol=0.0001,
verbose=0, warm_start=False)),
('svm_clf',
SVC(C=1.0, cache_size=200, class_weight=None,
coef0=0.0, decision_f...
('df_clf',
DecisionTreeClassifier(class_weight=None,
criterion='gini',
max_depth=None,
max_features=None,
max_leaf_nodes=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=1,
min_samples_split=2,
min_weight_fraction_leaf=0.0,
presort=False,
random_state=None,
splitter='best'))],
flatten_transform=True, n_jobs=None, voting='hard',
weights=None)
依然和之前学过的学习器一样,通过score方法
得到学习器的准确率
voting_clf.score(x_test, y_test)
>>>0.904
2.1.2 考虑概率的投票集成-Soft Voting
假设有以下5种基学习器
- 模型1 A-99%;B-1% ---- 最终结果:A
- 模型2 A-49%;B-51% ---- 最终结果:B
- 模型3 A-40%;B-60% ---- 最终结果:B
- 模型4 A-90%;B-10% ---- 最终结果:A
- 模型5 A-30%;B-70% ---- 最终结果:B
若按照简单投票的方法的到最终结果,则结果为B
但这样显然是不合理的,因为很容易看出来选择A的基学习器更加确定自己的选择,而B则不是。
所以我们考虑对每一个选则进行加权(选择的确定性)
- A-(0.99 + 0.49 + 0.4 + 0.9 + 0.3)/5 = 0.616
- B-(0.01 + 0.51 + 0.6 + 0.1 + 0.7)/5 = 0.384
则此时最终结果为A
所以说,我们如果要使用Soft Voting:要求集合的每一个模型都能估计概率。
- 逻辑回归 - 本身就是基于概率模型
- kNN - 考虑5个最近点,3个是A ,2个是B,则结果为A-3/5%
- 决策树 - 与kNN相似
- SVC - 要设置参数
probability=True
参数:voting='soft'
表示使用考虑概率投票的方法得到集成结果
## 注意:svc算法要设置参数才会计算概率
estimators = [
('log_clf', LogisticRegression()),
('svm_clf', SVC(probability=True)),
('df_clf', DecisionTreeClassifier())
]
## 设置参数 voting='soft',才支持计算概率
voting_clf2 = VotingClassifier(estimators=estimators, voting='soft')
voting_clf2.fit(x_train, y_train)
>>>VotingClassifier(estimators=[('log_clf',
LogisticRegression(C=1.0, class_weight=None,
dual=False, fit_intercept=True,
intercept_scaling=1,
l1_ratio=None, max_iter=100,
multi_class='warn',
n_jobs=None, penalty='l2',
random_state=None,
solver='warn', tol=0.0001,
verbose=0, warm_start=False)),
('svm_clf',
SVC(C=1.0, cache_size=200, class_weight=None,
coef0=0.0, decision_f...
('df_clf',
DecisionTreeClassifier(class_weight=None,
criterion='gini',
max_depth=None,
max_features=None,
max_leaf_nodes=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=1,
min_samples_split=2,
min_weight_fraction_leaf=0.0,
presort=False,
random_state=None,
splitter='best'))],
flatten_transform=True, n_jobs=None, voting='soft',
weights=None)
通过计算准确率,可以看出对于此数据,通过考虑概率投票得到的集成结果准确率更高。
## 可以看出考虑概率的准确率更高
voting_clf2.score(x_test, y_test)
>>>0.912
2.2 Bagging 和 Pasting
虽然有很多机器学习方法,但从投票角度看,仍然不够多的;
我们需要创建更多的子模型!集成更多子模型的意见,但是子模型之间不能一致,子模型之间要有差异性。
如何创建差异性?
- 每个子模型只看样本数据的一部分。
- 此时,子模型的准确率会降低,但是对于每个子模型不需要太高的准确率。
下边举了个例子可以看一下
如何从所有数据中取样
- 放回取样 - Bagging(更常用,使用的数据更少,减少了随机问题的影响)
统计学中,放回取样叫bootstrap
- 不放回取样 - Pasting
2.2.1 如何使用 Bagging(套袋分类器)
关于BaggingClassifier]的参数,属性和方法详细说明:
- 算法介绍:集成方法 - BaggingClassifier
- 官方说明:套袋分类器
这里我们使用决策树模型
举例(决策树模型个容易产生差异性,则当需要很多基学习器时,优先选择决策树模型)
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import BaggingClassifier
# 参数:基学习器 DecisionTreeClassifier(),
# 构建基学习器数量 n_estimators=500,
# 每个基学习器训练所需的样本数量 max_samples==100,
# 是否为放回取样bootstrap=True
bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=500, max_samples=100, bootstrap=True)
bagging_clf.fit(x_train, y_train)
bagging_clf.score(x_test, y_test)
# 如果使用一个决策树,即是使用所有样本训练也会比这个准确度低
>>>0.904
如果创建更多的基学习器呢?
# 创建更多的基学习器(5000个)
bagging_clf2 = BaggingClassifier(DecisionTreeClassifier(), n_estimators=5000, max_samples=100, bootstrap=True)
bagging_clf2.fit(x_train, y_train)
bagging_clf2.score(x_test, y_test)
>>>0.912
2.2.2 关于袋外数据(oob)
没有选到的数据(称为:袋外数据 Out-of-Bag)
放回取样会导致一部分样本很有可能没有取到,平均大约有37%的样本没有取到。
因此,我们可以不使用测试数据集,而使用没有取到的样本进行测试/验证。
这时需要在训练时要设置参数oob_score=True
,并且在训练集成学习器时我们就可以将全部数据都作为训练数据。
使用用oob_score_属性
调用得到使用袋外数据测试出的精确度。
我们使用全部数据重新训练一个集成学习器
- 基学习器依旧为决策树
- 需要设置参数
oob_score=True
,其他参数不变
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import BaggingClassifier
bagging_clf3 = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=500, max_samples=100, bootstrap=True, oob_score=True)
bagging_clf3.fit(x, y)
>>>BaggingClassifier(base_estimator=DecisionTreeClassifier(class_weight=None,
criterion='gini',
max_depth=None,
max_features=None,
max_leaf_nodes=None,
min_impurity_decrease=0.0,
min_impurity_split=None,
min_samples_leaf=1,
min_samples_split=2,
min_weight_fraction_leaf=0.0,
presort=False,
random_state=None,
splitter='best'),
bootstrap=True, bootstrap_features=False, max_features=1.0,
max_samples=100, n_estimators=500, n_jobs=None,
oob_score=True, random_state=None, verbose=0,
warm_start=False)
获得使用袋外数据测得的准确率
bagging_clf3.oob_score_
>>>0.92
2.2.3 同时对特征进行随机采样
我们可以把样本看成一个矩阵,横向代表一个样本,纵向代表每一种特征,就相当于随机取矩阵中的元素(例如下图,红色为随即取出的样本数据)
参数说明:
- 是否针对特征随机取样
bootstrap_features=True
- 每次特征取样的特征数
max_features=1
random_patches_clf = BaggingClassifier(DecisionTreeClassifier(),
n_estimators=100, max_samples=500, bootstrap=True,
oob_score=True, bootstrap_features=True, max_features=1)
random_patches_clf.fit(x, y)
random_patches_clf.oob_score_
>>>0.81
可以看出准确率并没有明显的提升,这是因为,我们的样本数据只有两个特征,当我们的数据特征很多事,才适合对特征进行随机取样。
另外,如果我们设置参数max_samples=样本总数
(相当于每个基学习器都使用了全部的数据),就实现了只针对特进行随机取样。
2.3 随机森林
在Bagging中,如果我们使用的基学习器是决策树的话,也可以称为随机森林(当然sklearn中也有专门用于决策树的类)。
决策树在节点划分上,在随机的特征子集上寻找最优划分特征(进一步增加了随机性)。
2.3.1 RandomForestClassifier
官网参数说明:随机森林分类器
from sklearn.ensemble import RandomForestClassifier
rf_clf = RandomForestClassifier(n_estimators=500, oob_score=True)
rf_clf.fit(x, y)
可以看出返回的参数,大部分都是决策树中的所包含的参数。
>>>RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=500,
n_jobs=None, oob_score=True, random_state=666, verbose=0,
warm_start=False)
rf_clf.oob_score_
>>>0.896
2.3.2 ExtraTreesClassifier
官网参数说明:额外的树分类器
- 此类实现一个元估计量,该量量估计量适合数据集的各个子样本上的许多随机决策树(又名额外树),并使用平均数来提高预测准确性和控制过度拟合。
决策树在节点划分上,使用随机的特征和随机的阈(yǜ)值
提供额外的随机性,抑制过拟合,但增大了bias(偏差)
更快的训练速度
from sklearn.ensemble import ExtraTreesClassifier
et_clf = ExtraTreesClassifier(n_estimators=500, bootstrap=True, oob_score=True)
et_clf.fit(x, y)
>>>ExtraTreesClassifier(bootstrap=True, class_weight=None, criterion='gini',
max_depth=None, max_features='auto', max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=500,
n_jobs=None, oob_score=True, random_state=None, verbose=0,
warm_start=False)
et_clf.oob_score_
>>>0.892
三,集成学习解决回归问题
上边讲到的都是针对回归问题,那么我们如何让解决回归问题呢?
当然,sklearn也提供了相应的包供我们使用,并且参数与分类问题的集成学习器参数相似,用法也近乎已知,下边给出了对应的包,具体参数大家可以在官方网站中查询,这里就不做过多解释了。
# 套袋分类器
from sklearn.ensemble import BaggingRegressor
# 随机森林
from sklearn.ensemble import RandomForestRegressor
# 额外的随机森林
from sklearn.ensemble import ExtraTreesRegressor
四,Stacking
参考视频:Stacking【小白勿入系列】
官网说明:
- 解决分类问题 - sklearn.ensemble.StackingClassifier
- 解决回归问题 - sklearn.ensemble.StackingRegressor
我们回顾一下Voting的集成学习方法
假设我们有3个基学习器:
- 分别训练每一个基学习器
- 对于测试数据分别用3个基学习器进行预测
- 整合每个基学习器的预测结果
– 对于分类问题:通过投票方法得到集成学习结果
– 对于回归问题:可以通过计算平均值来得到最终的集成结果
那么什么是Stacking集成学习,就是在上述的步骤中再加一步:
- 额外添加一层算法(Blending);
- 我们将基学习器得到的结果作为输入,使用上述算法进行二次预测得到最终结果。
如何训练 Stacking学习器:
- 首先把训练数据集合分成两份;
- 其中一份用于训练每一个基学习器,而另一份则用于训练添加的那一层算法(Blending)
- 最终得到Stacking集成学习器
理解了Stacking的原理我们就可以创建出更加复杂的Stacking学习器
如下图,我们在原有的基础上再增加一层基学习器
(则我们需要将数据集分成三份,分别训练每一层的学习器)
所以说,在Stacking中,有几层和每层有几个学习器都是超参数,因为这种复杂性,也导致了比较容易过拟合。