概述

目的：让机器学习效果更好，单个不行，集成多个
集成算法
Bagging：训练多个分类器取平均
$f(x)=1/M{\sum }_{m=1}^M{f}_m(x)$
Boosting：从弱学习器开始加强，通过加权来进行训练
$F_m(x)=F_{m-1}(x)+argmi{n}_h{\sum }_{i=1}^{n}L(y_i,F_{m-1}(x_i)+h(x_i))$
（加入一棵树，新的树更关注之前错误的例子）
Stacking：聚合多个分类或回归模型（可以分阶段来做）

Bagging模型(随机森林)

全称： bootstrap aggregation（说白了就是并行训练一堆分类器）
最典型的代表就是随机森林，现在Bagging模型基本上也是随机森林。

随机：数据采样随机，每棵树只用部分数据；数据有多个特征(属性)组成，每棵树随机选择部分特征。随机是为了使得每个分类器拥有明显差异性。
森林：很多个决策树并行放在一起
如何对所有树选择最终结果？分类的话可以采取少数服从多数，回归的话可以采用取平均值。

构造树模型

由于二重随机性，使得每个树基本上都不会一样，最终的结果也会不一样。
树模型：

随机性

之所以要进行随机，是要保证泛化能力，如果树都一样，那就没意义了！
如下图所示，当每个弱分类器分类错误的样本各不相同时，则能得到一个效果优异的集成模型。

随机森林优势

它能够处理很高维度的数据，即数据拥有很多特征(属性)，并且不用做特征选择(集成算法自动选择了重要的特征)。
在训练完后，它能够给出哪些feature比较重要。

可以进行可视化展示，便于分析。
容易做成并行化方法，速度比较快。
解答：为什么随机森林能够给出哪些feature比较重要。
假如有四个分类器$A,B,C,D$，他们对应关注(随机选择到)的属性为$a,b,c,d$
取$A,B,C,D$的结果并且按少服从多数(也可以去平均等决策策略)得到错误了$erro{r}_1$
之后我们给$B$制作假数据，把之前真的数据结果打乱或者换成不合理的值，得到$B^{\prime }$，之后
取$A,B^{\prime },C,D$的结果并且按少服从多数(也可以去平均等决策策略)得到错误了$erro{r}_2$
如果$erro{r}_2\approx erro{r}_1$，则说明属性$B$并不重要。
如果$erro{r}_2\gg erro{r}_1$，则说明属性$B$非常重要，对结果造成了巨大影响。

关于树的个数

理论上越多的树效果会越好，但实际上基本超过一定数量就差不多上下浮动了。

Boosting模型(提升算法模型)

概述：
$F_m(x)=F_{m-1}(x)+argmi{n}_h{\sum }_{i=1}^{n}L(y_i,F_{m-1}(x_i)+h(x_i))$
假如有三个分类器$A,B,C$，这个时候正如公式所示，$A,B,C$有种串联的感觉。
假如有1000条数据，$A$仅分类正确900条，之后$B$就关注错误的100条数据，仅那100条作为数据预测(这个做法有点极端，也可以拿小部分900条里面的数据)，之后$B$正确预测出50条，那么$C$就那拿剩下的50条错误的数据用来给$C$预测。
典型代表： AdaBoost， Xgboost

AdaBoost模型

Adaboost会根据前一次的分类效果调整数据权重，如果某一个数据在这次分错了，那么在下一次我就会给它更大的权重。
最终的结果：每个分类器根据自身的准确性来确定各自的权重，再合并结果。
Adaboost工作流程
每一次切一刀，最终合在一起，弱分类器效果就更好了

Stacking模型

堆叠：很暴力，拿来一堆分类器直接上
可以堆叠各种各样的分类器（ KNN,SVM,RF等等）
为了刷结果，不择手段！
分阶段：第一阶段得出各自结果，第二阶段再用前一阶段结果训练

堆叠在一起确实能使得准确率提升，但是速度是个问题。