机器学习 day38（有放回抽样、随机森林算法、XGBoost）

有放回抽样

• 有放回抽样和无放回抽样的区别：有放回可以确保每轮抽取的结果不一定相同，无放回则每轮抽取的结果都相同
  
• 在猫狗的例子中，我们使用”有放回抽样“来抽取10个样本，并组合为一个与原始数据集不同的新数据集，虽然新数据集中可能有重复的样本，也不一定包含原始数据集的所有样本。

随机森林算法

• 装袋决策树算法（Bagged decision tree）是适用于决策树集合的一种算法，生成决策树集合的过程如下：
  • 对于一个大小为M的原始数据集，进行以下操作：
    • 使用“有放回抽样”，生成一个大小为M的新数据集， 在新数据集上训练决策树
  • 完成一次后，重复这个操作，直到重复B次（B不需要特别大，因为收益会递减，100左右是比较合适的值）
• 装袋决策树算法指的是：我们将训练示例放入虚拟袋中，并进行有放回的抽样
  
• 装袋决策树算法会导致：根节点处的拆分基本相同，且根节点附近的子节点也很相似，所以最后生成的决策树有大部分相似。为了让每个节点处能选择的特征不同，从而生成更多不同的决策树，提出了鲁棒性更强的随机森林算法。
• 随机森林算法：在每个拆分节点处，我们的最优子节点的选择不是从所有的特征中选，而是先随机一个小于n的数k，再在包含k个特征的子集中选择最优子节点（当n很大时，通常取k=根号n）
• 为什么随机森林算法比单个决策树的算法的鲁棒性更强：因为随机森林已经用很多进行了细小修改的数据集来训练算法，并进行平均，所以即便训练集发生一些小变化，也不会对最终输出有很大影响

XGBoost

• Boost tree的思路是：用第一个已经训练好的决策树来预测原始数据集，并在之后的新决策树建立的过程中，重点关注预测失败的样本
• 注意：训练第一个决策树的数据集 —> 对原始数据集进行平均概率的有放回抽样；预测第一个决策树的数据集 —> 原始数据集；训练第二个决策树的数据集 —> 对原始数据集进行重点关注预测失败的有放回抽样
  
• 由于重点关注预测失败算法的数学细节比较复杂（选择不同样本之间的概率），现在常用的是XGBoost，有以下优点：开源、快速高效、良好的默认拆分标准和停止拆分标准、内置正则化防止过拟合、广泛应用于比赛网站
• XGBoost为不同的训练示例分配了不同的方法，所以不需要采用有放回抽样来生成随机训练集，但就重点关注预测失败这一行为来看，和Boost tree还是很类似
  
• 由于XGBoost的实现细节比较复杂，所以通常直接导库使用，具体代码：分类和回归两种