上海兴业建设有限公司网站,泊头市建设网站,云服务,怎么seo网站推广系列文章目录
第一章 【机器学习】初识机器学习
第二章 【机器学习】【监督学习】- 逻辑回归算法 (Logistic Regression)
第三章 【机器学习】【监督学习】- 支持向量机 (SVM)
第四章【机器学习】【监督学习】- K-近邻算法 (K-NN)
第五章【机器学习】【监督学习】- 决策树…
系列文章目录
第一章 【机器学习】初识机器学习
第二章 【机器学习】【监督学习】- 逻辑回归算法 (Logistic Regression)
第三章 【机器学习】【监督学习】- 支持向量机 (SVM)
第四章【机器学习】【监督学习】- K-近邻算法 (K-NN)
第五章【机器学习】【监督学习】- 决策树 (Decision Trees)
第六章【机器学习】【监督学习】- 梯度提升机 (Gradient Boosting Machine, GBM)
第七章 【机器学习】【监督学习】-神经网络 (Neural Networks)
第八章【机器学习】【监督学习】-卷积神经网络 (CNN)
第九章【机器学习】【监督学习】-循环神经网络 (RNN)
第十章【机器学习】【监督学习】-线性回归
第十一章【机器学习】【监督学习】-局部加权线性回归 (Locally Weighted Linear Regression, LWLR)
第十二章【机器学习】【监督学习】- 岭回归 (Ridge Regression)
十三、【机器学习】【监督学习】- Lasso回归 (Least Absolute Shrinkage and Selection Operator)
十四、【机器学习】【监督学习】- 弹性网回归 (Elastic Net Regression)
十五、【机器学习】【监督学习】- 神经网络回归
十六、【机器学习】【监督学习】- 支持向量回归 (SVR)
十七、【机器学习】【非监督学习】- K-均值 (K-Means)
十八、【机器学习】【非监督学习】- DBSCAN (Density-Based Spatial Clustering of Applications with Noise)十九、【机器学习】【非监督学习】- 层次聚类 (Hierarchical Clustering)二十、【机器学习】【非监督学习】- 均值漂移 (Mean Shift)
二十一、【机器学习】【非监督学习】- 谱聚类 (Spectral Clustering) 目录
系列文章目录
一、基本定义
一、监督学习
二、监督学习的基本流程
三、监督学习分类算法Classification
二、 Bagging
一、定义
二、基本概念
三、训练过程
Bagging的训练过程详解
1. 数据准备Bootstrap Sampling
2. 模型训练
3. 预测阶段
4. 聚合策略
5. 结果评估与应用
四、特点与适用场景
五、扩展
三、总结 一、基本定义
一、监督学习 监督学习Supervised Learning是机器学习中的一种主要方法其核心思想是通过已知的输入-输出对即带有标签的数据集来训练模型从而使模型能够泛化到未见的新数据上做出正确的预测或分类。在监督学习过程中算法“学习”的依据是这些已标记的例子目标是找到输入特征与预期输出之间的映射关系。
二、监督学习的基本流程 数据收集获取包含输入特征和对应正确输出标签的训练数据集。 数据预处理清洗数据处理缺失值特征选择与转换标准化或归一化数据等以便于模型学习。 模型选择选择合适的算法如决策树、支持向量机、神经网络等。 训练使用训练数据集调整模型参数最小化预测输出与实际标签之间的差距损失函数。 验证与调优使用验证集评估模型性能调整超参数以优化模型。 测试最后使用独立的测试集评估模型的泛化能力确保模型不仅在训练数据上表现良好也能在未见过的新数据上做出准确预测。
三、监督学习分类算法Classification 定义分类任务的目标是学习一个模型该模型能够将输入数据分配到预定义的几个类别中的一个。这是一个监督学习问题需要有一组已经标记好类别的训练数据模型会根据这些数据学习如何区分不同类别。 例子垃圾邮件检测垃圾邮件 vs. 非垃圾邮件、图像识别猫 vs. 狗。 二、 Bagging
一、定义
Bagging全称为Bootstrap Aggregating是一种集成学习方法旨在通过构建多个不同的模型并将其结果进行汇总以提高预测的准确性和模型的稳定性。Bagging的核心思想是通过有放回地从原始数据集中抽取多个子样本然后在每个子样本上独立训练不同的模型最后将这些模型的结果进行平均或投票以得到最终的预测结果。
二、基本概念 Bootstrap SamplingBagging中的“Bootstrap”指的是从原始数据集中有放回地抽取相同大小的样本集这意味着每个样本在子集中可能被多次选中也可能完全不被选中。 多样性由于每个子样本集都是独立抽取的因此在每个子样本上训练的模型也会有所不同这种多样性是Bagging能够提高模型稳定性的关键。 Aggregation训练完成后Bagging通过聚合所有模型的预测结果来做出最终预测。对于分类问题通常采用多数投票的方式对于回归问题则是取平均值。
三、训练过程
Bagging的训练过程可以概括为以下几步 数据准备从原始数据集中通过Bootstrap Sampling抽取多个子样本集。 模型训练在每个子样本集上独立训练一个基学习器如决策树。由于数据集的随机性每个基学习器都会有所不同。 预测阶段对于一个新的输入实例所有基学习器都会给出自己的预测然后根据问题类型分类或回归进行投票或平均得到最终的预测结果。
Bagging的训练过程详解
BaggingBootstrap Aggregating是一种强大的集成学习技术用于提高预测模型的性能尤其是减少模型的方差使其更加稳定和可靠。下面是Bagging训练过程的详细步骤
1. 数据准备Bootstrap Sampling 数据集划分首先从原始训练数据集 ( D ) 中通过Bootstrap Sampling自助抽样法随机抽取 ( N ) 个样本( N ) 通常是原始数据集的大小形成一个新的样本集 ( D_i )。这一过程是有放回地进行的意味着同一个样本可能在新的样本集中出现多次而有些样本可能一次也不出现。•重复抽样这一过程会重复进行 ( B ) 次生成 ( B ) 个不同的样本集 ( D_1, D_2, ..., D_B )每个样本集的大小都大致等于原始数据集的大小。
2. 模型训练
独立建模对于每个样本集 ( D_i )独立地训练一个基学习器 ( h_i(x) )。基学习器的选择可以是任何机器学习模型但通常选择的是决策树因为它们容易过拟合并能从中受益于Bagging带来的稳定性提升。并行训练这些基学习器可以在不同的样本集上并行训练因为它们之间没有依赖关系这使得Bagging非常适合于并行计算环境。
3. 预测阶段 单个模型预测对于一个新输入 ( x )每个基学习器 ( h_i(x) ) 将给出一个预测结果。结果汇总根据问题的类型分类或回归汇总所有基学习器的预测结果。对于分类问题通常采用多数投票Majority Voting的方式决定最终预测类别对于回归问题则是计算所有基学习器预测值的平均值作为最终预测。
4. 聚合策略 分类问题如果基学习器是分类器那么对于新样本 ( x )每个分类器 ( h_i(x) ) 都会给出一个类别标签。最终的预测类别是所有分类器预测类别中出现次数最多的那个。回归问题如果基学习器是回归器那么每个回归器 ( h_i(x) ) 都会给出一个数值预测。最终的预测值是所有回归器预测值的算术平均。
5. 结果评估与应用 模型评估可以通过交叉验证或保留的测试集来评估Bagging模型的性能。通常Bagging模型的性能优于单一基学习器的性能尤其是在减少过拟合和提高预测稳定性方面。模型应用一旦训练完成Bagging模型就可以用于对新的未见数据进行预测。
通过上述步骤Bagging能够有效减少模型的方差提高预测的稳定性同时保持甚至增强模型的准确性特别是在处理高方差模型和复杂数据集时表现尤为突出。
四、特点与适用场景 减少方差Bagging通过多样化基学习器来减少模型的方差提高预测稳定性尤其适用于高方差的模型如决策树。 提高准确性由于模型的多样性Bagging通常能够提高整体的预测准确性尤其是在处理具有噪声或复杂分布的数据集时。 处理不平衡数据Bagging可以有效地处理类别不平衡的问题因为在Bootstrap抽样中少数类别的样本有更多的机会被多次选中从而在训练集中得到更好的表示。 特征选择可以结合特征重要性分析帮助识别哪些特征对预测结果影响最大。
五、扩展
Bagging的概念可以扩展到多种模型和算法中以下是一些常见的扩展 Random Forest在Bagging的基础上Random Forest进一步引入了特征随机选择的概念即在每次分裂时只考虑一部分特征这增加了模型的多样性和泛化能力。 AdaBoost虽然AdaBoost和Bagging都是集成学习方法但AdaBoost侧重于加权调整给那些被前一个模型错误分类的样本更高的权重以使后续模型更加关注这些困难样本。 StackingStacking是一种更复杂的集成学习策略它不仅使用Bagging或其他集成方法生成多个模型还会使用一个元模型来学习如何最好地组合这些模型的输出。
三、总结
Bagging是一种非常实用的集成学习方法特别适用于处理高方差模型、减少过拟合风险以及提高模型在复杂数据集上的表现。通过与不同类型的基学习器结合Bagging可以适应多种机器学习任务和应用场景。
