目录
集成学习介绍
1. 核心思想
2. 为什么有效？
3. 主要流派与方法
A. 并行方法：Bagging (Bootstrap Aggregating)
B. 串行方法：Boosting
C. 堆叠法：Stacking
代码示例
Bagging 的代表 —— 随机森林 (Random Forest)
集成学习介绍
1. 核心思想
集成学习是一种机器学习范式，其核心思想非常直观：“三个臭皮匠，顶个诸葛亮”。它通过构建并结合多个基学习器（Base Learners） 来完成学习任务，而不是只使用一个单一的模型。
通过将多个性能可能仅优于随机猜测的弱学习器（Weak Learners） 组合起来，集成方法往往能够形成一个强学习器（Strong Learner），获得比任何单一模型都更加显著优越的泛化性能。
2. 为什么有效？
集成学习有效的根本原因在于它降低了模型的方差（Variance）、偏差（Bias），或同时降低两者，从而避免了过拟合或欠拟合。
- 统计角度： 假设一个分类任务，25个基分类器每个的错误率为 ε = 0.35。如果使用简单投票法集成，并且假设分类器之间相互独立，那么集成分类器出错的概率（即超过一半的分类器都出错）会远低于 0.35。这大大提高了准确性。
- 计算角度： 很多学习算法（如决策树）对数据微小变动非常敏感，容易陷入局部最优。通过多次运行并平均结果，集成方法可以平滑掉这种不稳定性，找到一个更稳定、更鲁棒的解决方案。
- 表示角度： 真实世界的假设空间可能非常庞大，单个模型可能无法找到最优解。集成多个模型相当于扩展了假设空间，从而有可能逼近那个真正的、更优的解。
3. 主要流派与方法
集成学习方法主要分为两大类：
A. 并行方法：Bagging (Bootstrap Aggregating)
- 核心思想：通过自助采样法（Bootstrap Sampling） 从原始数据集中随机有放回地抽取多个子集，并行地训练多个基学习器，然后通过投票（分类） 或平均（回归） 的方式结合预测结果。
- 目标：主要旨在降低方差，特别适用于那些容易过拟合的复杂模型（如深度决策树）。
- 典型算法：
- 随机森林（Random Forest）: Bagging 的升级版和代表作。它在构建每棵决策树时，不仅对样本进行随机采样，还对特征进行随机采样。这种“双重随机性”进一步增强了模型的多样性和泛化能力，有效防止过拟合。
B. 串行方法：Boosting
- 核心思想：基学习器是串行训练的。后续的模型会更加关注先前模型预测错误的样本，通过不断调整样本的权重或拟合残差，逐步提升整体性能。
- 目标：主要旨在降低偏差，将多个弱学习器提升为一个强学习器。
- 典型算法：
- AdaBoost (Adaptive Boosting)： 通过逐步提高被错误分类样本的权重，迫使后续的弱分类器重点关注这些难分的样本。
- 梯度提升（Gradient Boosting）： 不再是调整样本权重，而是通过拟合损失函数的负梯度（即残差） 来迭代地构建模型。每一个新模型都是在学习之前所有模型加总的残差。
- XGBoost, LightGBM, CatBoost： 这些都是 Gradient Boosting 的高效、高性能实现，在各类数据科学竞赛中占据统治地位。它们通过优化计算速度、处理缺失值、防止过拟合等方面进行了大量改进。
C. 堆叠法：Stacking
- 核心思想：训练多个异质的基学习器（第一层模型），然后不是简单投票，而是训练一个元学习器（Meta-Learner，第二层模型） 来整合基学习器的预测结果，以得到最终的输出。
- 目标：结合不同模型的优势，形成更强大的预测能力。
代码示例
Bagging 的代表 —— 随机森林 (Random Forest)
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, ConfusionMatrixDisplay
from sklearn.tree import DecisionTreeClassifier# 1. 加载数据（威斯康星州乳腺癌数据集）
data = load_breast_cancer()
X, y = data.data, data.target
feature_names = data.feature_names# 2. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)print("数据集形状:", X.shape) # (569, 30)
print("特征示例:\n", feature_names[:5]) # ['mean radius' 'mean texture' 'mean perimeter' 'mean area' 'mean smoothness']
print("目标标签: 0-恶性(Malignant), 1-良性(Benign)") # 0-恶性(Malignant), 1-良性(Benign)# 3. 训练一个单一的决策树（作为对比基准）
single_tree = DecisionTreeClassifier(random_state=42)
single_tree.fit(X_train, y_train)
y_pred_tree = single_tree.predict(X_test)
acc_tree = accuracy_score(y_test, y_pred_tree)
print(f"\n单一决策树准确率: {acc_tree:.4f}") # 0.9474# 4. 训练随机森林集成模型
# n_estimators: 森林中树的数量
# max_features: 寻找最佳分割时考虑的最大特征数，'sqrt'是常用值，即总特征数的平方根
# random_state: 确保结果可重现
rf_clf = RandomForestClassifier(n_estimators=100, max_features='sqrt', random_state=42)
rf_clf.fit(X_train, y_train)# 5. 在测试集上进行预测并评估
y_pred_rf = rf_clf.predict(X_test)
acc_rf = accuracy_score(y_test, y_pred_rf)
print(f"随机森林准确率: {acc_rf:.4f}") # 0.9649# 6. 可视化特征重要性（集成模型的强大附加功能）
importances = rf_clf.feature_importances_
indices = np.argsort(importances)[::-1] # 按重要性降序排列索引plt.figure(figsize=(10, 6))
plt.title("Random Forest - Feature Importances")
plt.bar(range(X_train.shape[1]), importances[indices], align='center')
plt.xticks(range(X_train.shape[1]), [feature_names[i] for i in indices], rotation=90)
plt.tight_layout()
plt.show()# 7. 绘制混淆矩阵
cm = confusion_matrix(y_test, y_pred_rf, labels=rf_clf.classes_)
disp = ConfusionMatrixDisplay(confusion_matrix=cm, display_labels=['Malignant', 'Benign'])
disp.plot(cmap='Blues')
plt.title("Random Forest Confusion Matrix")
plt.show()
