Machine Learning 17 模型优化--集成算法

有时提升一个模型的准确度很困难，尝试所有曾学习过的策略和算法，但模型的正确率并没有改善。

前面介绍的算法中，每种算法都有不同的适用范围，可以把多种机器学习算法组合在一起，这时提高算法准确度的有效方法之一。

接下来介绍如何通过scikit-learn来实现集成算法，包括：

• 装袋（Bagging）算法：先将训练集分离成多个子集，然后通过各个子集训练多个模型
• 提升（Boosting）算法：训练多个模型并组成一个序列，序列中的每一个模型都会修正前一个模型的错误
• 投票（Voting）算法：训练多个模型，并采用样本统计来提高模型的准确度

在这里只介绍相关算法，采用Pima Indians数据集，并用10折交叉验证来分离数据，再通过相应的评估矩阵来评估算法模型。

---

装袋算法

 

是一种提高分类准确性的算法，通过给定组合投票的方式获得最优。

如人生病了，去n个医院看了n个医生，每个医生都给你开了药房，最后哪个药方出现的次数最多，就说明这个药方越有可能是最优解。这也是袋装算法的思想。

下面介绍三种袋装模型：

1. 装袋决策树（Bagged Decision Trees）
2. 随机森林（Random Forest）
3. 极端随机树（Extra Trees）

---

 

1 装袋决策树

在数据有很大的方差时非常有效。

下面在scikit-learn中通过BaggingClassifier实现分类与回归树算法，本例中实现了100棵决策树

#装袋决策树
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier


filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)

cart=DecisionTreeClassifier()
num_tree=100
model=BaggingClassifier(base_estimator=cart,n_estimators=num_tree,random_state=seed)

result=cross_val_score(model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

0.770745044429255
这个结果与上一次的分类与回归树的结果（0.7004272043745728，13节，审查分类算法)比较，发现结果有了很大的提升。

2 随机森林
用随机的方式建立一个森林，森林有很多决策树，而且每一棵决策树之间是没有来联系的。得到森林之后，当有一个新的样本进入的时候，就让森林中的每一棵决策树分别进行判断，看看这个样本应该属于哪一类，再看看哪一类被选择最多，就预测这个样本为哪一类。

在建立每一棵决策树的过程中，有两点要注意：采样与完全分裂。首先是两个随机采样的过程，随机森林对输入的数据要进行行，列采样。对行采样采用有放回的方式，也就是在采样得到的样本集合中可能有重复的样本。假设输入样本为N个，也就是在采样得到的样本集合中可能有重复的样本。假设输入
的样本为N个，那么采样样本也为N个。这样在训练的时候，每棵树的输入样本都不是全部的样本，就相对不容易出现过拟合。
然后进行列采样，从M个feature中选出m个（m<<M）。之后再对采样之后的数据使用完全分裂的方式建立决策树，这样决策树的某一个叶子节点要么无法继续分裂，要么所有样本都指向同一个分类。
一般很多决策树算法有一个重要的步骤--剪枝，但这里不这样做，因为之前的两个随机采样过程保证了随机性，所以不剪枝也不会出现过拟合。

这中算法得到的随机森林中的每一棵决策树都是很弱的，但是将他们组合起来就会很厉害。可以这样比喻：每一棵决策树就是一个精通某一个领域的专家，这样在随机森林中就有了很多不同领域的专家，对于一个新的问题（新的数据输入），可以从不同的角度去看待，最终由各个专家投票得到结果。
这种算法在scikit-learn中实现的类是RandomForestClassifier。

#随机森林
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import RandomForestClassifier


filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)

cart=DecisionTreeClassifier()
num_tree=100  #实现100棵随机森林
max_feature=3
model=RandomForestClassifier(n_estimators=num_tree,random_state=seed, max_features=max_feature)

result=cross_val_score(model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

 

0.7733766233766234

---

极端随机树

与随机森林相似，但有两个主要的区别：

1. 随机森林应用的是Bagging模型，而极端随机树是使用所有的训练样本得到每棵决策树，也就是的每棵决策树应用的是相同的全部训练样本（一个是部分样本，一个全部）
2. 随机森林是在一个随机子集内得到最优分叉特征属性，而极端随机树是完全随机的选择分叉特征属性，从而实现对决策树进行分叉（一个最优，一个随机）

在scikit-learn中实现的类是ExtraTreesClassifier。下面的实例是实现100棵树和7个随机特征的极端随机树。

#极端随机树
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import ExtraTreesClassifier


filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)

num_tree=100  #实现100棵随机森林
max_features=7
model=ExtraTreesClassifier(n_estimators=num_tree,random_state=seed, max_features=max_features)

result=cross_val_score(model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

0.762987012987013

---

提升算法

提升算法是一种用来提高弱分类算法准确度的方法，这种方法先构造一个预测函数系列，然后以一定的方式将它们组合成一个预测函数。
提升算法也是一种提高任意给定学习算法准确度的方法，是一种集成算法，通过对样本集的操作获得样本子集，之后用弱分类算法在样本子集上训练生成一系列基分类器。
提升算法将这n个基分类器进行加权融合，产生最后的结果分类器。
在这n个基分类器中，每个分类器的识别率不一定很高，但他们联合后的结果有很高的识别率。
下面是两个非常常见的用于机器学习的提升算法：

• AdaBoost
• 随机梯度提升（Stochastic Gradient Boosting）

---

AdaBoost

是一种迭代算法，针对同一个训练机训练不同的弱分类器，然后把这些弱分类器集合起来，构成一个最强的最终分类器。
其算法本身是通过改变数据分布来实现的，它根据每次训练集中每个样本的分类是否正确，以及上次总体分类的准确率，来确定每个样本的权值。
它将修改过权值的新数据集送给下层分类器进行训练，再将每次训练得到的分类器融合起来，作为最后的决策分类器。
使用Adaboost分类器可以排除一些不必要的训练数据特征，并放在关键的训练数据上面。
在scikit-learn中实现的类是AdaBoostClassifier。

#AdBoost
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import AdaBoostClassifier


filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)

num_tree=30  #实现30棵随机森林
model=AdaBoostClassifier(n_estimators=num_tree,random_state=seed)

result=cross_val_score(model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

0.760457963089542

---

随机梯度提升

随机梯度提升发（GBM）基本思想：要找到函数的最大值，最好的办法就是沿着该函数的梯度方向。梯度算子总是指向函数值增长最快的方向。
由于梯度提升算法在每次更新数据集时都要遍历整个数据集，计算复杂度较高，于是有了一个改进算法----随机梯度提升算法：该算法一次只用一个样本点来更新回归系数，极大的改善了算法的计算复杂度。
在scikit-learn中实现的类是GradientBoostingCalssifier。

#随机梯度提升
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import GradientBoostingClassifier


filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)

num_tree=100  #实现30棵随机森林
model=GradientBoostingClassifier(n_estimators=num_tree,random_state=seed)

result=cross_val_score(model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

0.7669002050580999

---

投票算法

投票算法（Voting）是一个非常简单的多个机器学习的集成算法。通过创建两个或多个算法模型，利用投票算法将这些算法包装起来，计算各个子模型的平均预测状况。
在实际应用中，可以对每个子模型的预测结果增加权重，以提高算法的准确度。
在scikit-learn中不提供加权算法。
在scikit-learn中实现类是VotingClassifier。

#投票算法
from pandas import read_csv
from sklearn.model_selection import KFold

from sklearn.model_selection import cross_val_score
from sklearn.ensemble import VotingClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression

filename='/home/aistudio/work/pima_data1.csv'
names=['preg','plas','pres','skin','test','mass','pedi','age','class']
data=read_csv(filename,names=names)
#将数据分为输入数据和输出数据
array=data.values
x=array[:,0:8]
y=array[:,8]
num_folds=10
seed=7
kfold=KFold(n_splits=num_folds,random_state=seed)
cart=DecisionTreeClassifier()

models=[]
model_logistic=LogisticRegression()
models.append(('logistic',model_logistic))
model_cart=DecisionTreeClassifier()
models.append(('cart',model_cart))
model_svc=SVC()
models.append(('svc',model_svc))

ensemble_model=VotingClassifier(estimators=models)

result=cross_val_score(ensemble_model,x,y,cv=kfold) #10折交叉验证
print(result.mean()) #打印正确率

0.7394907723855092