第七章.集成学习 (Ensemble Learning)

7.2 集成学习—提升(boosting),Stacking,Voting (投票算法)

集成学习就是组合多个学习器，最后得到一个更好的学习器。

1.常见的4种集成学习算法

• 个体学习器之间不存在强依赖关系，袋装（bagging）
• 随机森林（Random Forest）
• 个体学习器之间存在强依赖关系，提升（boosting）
• Stacking

2.boosting

AdaBoost是英文“Adaptive Boosting”(自适应强调)的英文缩写。

1).AdaBoost的自适应在于：

• 前一个基本分类器被错误分类的样本的权值会增大，而正确分类的样本权值会减小，并再次用来训练下一个基本分类器。同时在每一轮的迭代中，加入一个新的弱分类器，直到达到某个预定的足够小的错误率或者达到预先指定的最大迭代次数才确定最终的强分类器。

2).示例：

①.原始训练数据集：{0,1,2,3,4,5,6,7,8,9}

②.Bootstrap采样：
{7,2,6,7,5,4,8,8,1,0}—未采样3,9
{1,3,8,4,3,5,4,0,1,4}—未采样2,6,7,9
{4,9,4,2,4,4,3,0,1,4}—未采样5,6,7,8

③.例如样本4是出错率很高的样本，我们就多次对它进行采样，可以提升学习器的性能。

3).Adaboost算法流程

①.初始化训练数据的权值分布D1

• 假设有N个训练样本数据，则每个训练样本最开始时都被赋予相同的权重：W1=1/N

②.训练弱分类器hi

• 训练过程：如果某个训练样本点，被弱分类器Hi准确的分类，那么在构建下一个训练集中，它所对应的权重要减小；相反，如果某个训练样本被错误分类，那么它的权重就应该增大。权值更新过的样本集被用来训练下一个分类器，整个训练过程如何迭代的进行下去。

③.将各个训练得到的弱分类器组成一个强分类器

• 各个弱分类器的训练结束后，加大分类误差率小的弱分类器的权重，使其在最终的分类函数中起到较大的决定作用，而降低分类误差率大的弱分类器的权重，使其在最终的分类函数中起到较小的决定作用。(概括来说：误差率低的弱分类器在最终分类器中占的权重较大，否则较小）

4).Adaboost训练过程的两个版本：（针对二分类的情况）

• 旧版本
  
  
• 新版本
  

5).代码实现：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import tree
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_gaussian_quantiles# 绘制图像
def plot(model):x_min, x_max = x_data[:, 0].min() - 1, x_data[:, 0].max() + 1y_min, y_max = x_data[:, 1].min() - 1, x_data[:, 1].max() + 1# 生成网格矩阵xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))z = model.predict(np.c_[xx.ravel(), yy.ravel()])z = z.reshape(xx.shape)# 绘制等高线cs = plt.contourf(xx, yy, z)# 绘制散斑点plt.scatter(x_data[:, 0], x_data[:, 1], c=y_data)# 生成二维正态分布，生成的数据按分位数分成两类，500个样本，两个样本特征
x1, y1 = make_gaussian_quantiles(n_samples=500, n_features=2, n_classes=2)# 生成二维正态分布，生成的数据按分位数分成两类，500个样本，两个样本特征均值都为3
x2, y2 = make_gaussian_quantiles(mean=(3, 3), n_samples=500, n_features=2, n_classes=2)# 将两组数据合并成一组数据
x_data = np.concatenate((x1, x2))
y_data = np.concatenate((y1, -y2 + 1))# 决策树模型
dtree = tree.DecisionTreeClassifier(max_depth=3)
dtree.fit(x_data, y_data)
dtree_accuracy = dtree.score(x_data, y_data)
print('dtree_accuracy:', dtree_accuracy)# Adaboost模型
adaboost = AdaBoostClassifier(dtree, n_estimators=10)
adaboost.fit(x_data, y_data)
adaboost_accuracy = adaboost.score(x_data, y_data)
print('adaboost_accuracy:', adaboost_accuracy)# 绘制决策树模型
plt.subplot(1, 2, 1)
plot(dtree)# 绘制Adaboost模型
plt.subplot(1, 2, 2)
plot(adaboost)plt.show()

6).结果展示：

• 数据展示：
  
• 图像展示：
  

3.Stacking

1).使用：

使用多个不同的分类器对训练数据进行预测，把预测得到的结果作为一个次级分类器的输入，次级分类器的输出是整个模型的预测结果。

2).示例：

需要经过两层分类器，输出最后的预测结果。

3).代码实现：

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn import model_selection
from mlxtend.classifier import StackingClassifier# 加载鸢尾花数据集
iris = load_iris()# 只要第1，2列特征
x_data = iris.data[:, 1:3]
y_data = iris.target# 定义三个不同的分类器
clf1 = LogisticRegression()  # 逻辑回归
clf2 = DecisionTreeClassifier()  # 决策树
clf3 = KNeighborsClassifier()  # KNN# 次级分类器
lr = LogisticRegression()sclf = StackingClassifier(classifiers=[clf1, clf2, clf3], meta_classifier=lr)for clf, label in zip([clf1, clf2, clf3, sclf], ['LogisticRegression', 'DecisionTree', 'KNN', 'Stacking']):scores = model_selection.cross_val_score(clf, x_data, y_data, cv=3,scoring='accuracy')  #cross_val_score：交叉验证法 cv=3：数据集分成3个部分：1部分训练集，2部分测试集print("Accuracy: %0.2f [%s]" % (scores.mean(), label))

4).结果展示：

4.Voting (投票算法)

1).代码实现：

from sklearn import model_selection
from sklearn.datasets import load_iris
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import VotingClassifier# 加载数据
iris = load_iris()# 数据分割：只要第1，2列特征
x_data = iris.data[:, 1:3]
y_data = iris.target# 定义三个不同的分类器
clf1 = KNeighborsClassifier()  # KNN
clf2 = DecisionTreeClassifier()  # DecisionTree
clf3 = LogisticRegression()  # 逻辑回归# 次级分类器
sclf = VotingClassifier([('knn', clf1), ('dtree', clf2), ('lr', clf3)])for clf, label in zip([clf1, clf2, clf3, sclf],['KNN', 'Decision Tree', 'LogisticRegression', 'VotingClassifier']):scores = model_selection.cross_val_score(clf, x_data, y_data, cv=3, scoring='accuracy')print("Accuracy: %0.2f [%s]" % (scores.mean(), label))

2).结果展示：

5.泰坦尼克号船员获救预测项目

1).titanic_train.xls数据集需自行转换成titanic_train.csv使用： (下载地址： titanic_train.xls)

• Excel表格题头含义：
  

2).代码实现

import pandas as pd
from sklearn.preprocessing import StandardScaler
from sklearn import model_selection
from sklearn.linear_model import LogisticRegression
from sklearn.neural_network import MLPClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.ensemble import VotingClassifier# 加载数据
titanic = pd.read_csv('D:\\\\Data\\\\titanic_train.csv')# 空余的age填充整体age的中间值
titanic['Age'] = titanic['Age'].fillna(titanic['Age'].median())# 把male变成0，female变成1
titanic.loc[titanic['Sex'] == 'male', 'Sex'] = 0
titanic.loc[titanic['Sex'] == 'female', 'Sex'] = 1# 数据填充
titanic["Embarked"] = titanic["Embarked"].fillna('S')
# 把类别变成数字
titanic.loc[titanic["Embarked"] == "S", "Embarked"] = 0
titanic.loc[titanic["Embarked"] == "C", "Embarked"] = 1
titanic.loc[titanic["Embarked"] == "Q", "Embarked"] = 2# 选定特征
predictors = ["Pclass", "Sex", "Age", "SibSp", "Parch", "Fare", "Embarked"]
x_data = titanic[predictors]
y_data = titanic["Survived"]# 数据标准化
scaler = StandardScaler()
x_data = scaler.fit_transform(x_data)# 逻辑回归
LR = LogisticRegression()
scores = model_selection.cross_val_score(LR, x_data, y_data, cv=3)  # 计算交叉验证的误差
avg = scores.mean()  # 求平均
print('逻辑回归误差:', avg)# 神经网络
mlp = MLPClassifier(hidden_layer_sizes=(20, 10), max_iter=2000)
scores = model_selection.cross_val_score(mlp, x_data, y_data, cv=3)
avg = scores.mean()
print('神经网络误差:', avg)# KNN
knn = KNeighborsClassifier(n_neighbors=21)
scores = model_selection.cross_val_score(knn, x_data, y_data, cv=3)
avg = scores.mean()
print('KNN误差:', avg)# DecisionTree
dtree = DecisionTreeClassifier(max_depth=5, min_samples_split=4)
scores = model_selection.cross_val_score(dtree, x_data, y_data, cv=3)
avg = scores.mean()
print('DecisionTree误差:', avg)# RandomForest
RF = RandomForestClassifier(n_estimators=100, min_samples_split=4)
scores = model_selection.cross_val_score(RF, x_data, y_data, cv=3)
avg = scores.mean()
print('RandomForest误差:', avg)# Bagging
bagging = BaggingClassifier(RF, n_estimators=20)
scores = model_selection.cross_val_score(bagging, x_data, y_data, cv=3)
avg = scores.mean()
print('Bagging误差:', avg)# Adaboost
adaboost = AdaBoostClassifier(bagging, n_estimators=10)
scores = model_selection.cross_val_score(adaboost, x_data, y_data, cv=3)
avg = scores.mean()
print('Adaboost误差:', avg)# Stacking
Stacking = VotingClassifier([('adaboost', adaboost), ('mlp', mlp), ('LR', LR), ('knn', knn), ('dtree', dtree)])
scores = model_selection.cross_val_score(Stacking, x_data, y_data, cv=3)
avg = scores.mean()
print('Stacking误差:', avg)

3).结果展示

道德经全文