大师兄的数据分析学习笔记(十九):分类集成(一)

大师兄的数据分析学习笔记(十八):分类模型(四)
大师兄的数据分析学习笔记(二十):分类集成(二)

一、关于集成学习

  • 每种算法的复杂程度和适用范围不同,针对某一条数据,不同的分类器分类效果不同,比如:
方法 适合
熵增益决策树 适合离散值比较多的问题
CART决策树 适合连续值分类问题
KNN、支持向量机 适合标注在空间内隔离性好的情况
  • 为了进一步提升分类整体质量,将多个机器学习算法组合在一起,得到比单一算法性能更好的结果,称为集成学习

二、 强学习和弱和学习

  • 在分类学习中,不同的算法有不同的复杂度,比如:
  • 多项式复杂度:O(n^p)
  • 阶乘复杂度:O(n!)
  • 指数级复杂度: O(m^n)
  • ...
  • 由于阶乘复杂度指数级复杂度的复杂度提升度太高,应尽量避免这类算法。
  • 如果一个算法是多项式复杂度
  • 强可学习:多项式学习算法的效果明显。
  • 弱科学系:多项式学习算法的效果不明显。
  • 而模型的集成方法,也可以理解为将数个弱可学习的分类器集合成强科学习分类器的过程。

三、集成方法

  • 集成方法分为袋装法提升法
1. 袋装法
  • 袋装法的思路是用训练集训练出几个独立的模型,在预测时分别让不同的子模型进行判断,对于分类问题,让不同的子模型进行投票,投票选出的结果就是最终结果;在回归时,取各结果的参数。

四、随机森林

  • 袋装法最典型的应用是随机森林算法。
  • 随机森林里有很多决策树,这些决策树都是独立训练的,而最终结果取决于这些树的投票。
  • 随机森林有几个关键点:
  • 树的数量:树的数量越多,考虑到的样本的可能情况越多,但也更容易过拟合。
  • 每棵树的特征数:如果少于50个特征,可以考虑采用全部特征;特征多时,可以随机选择一部分特征。
  • 每棵树的训练集怎么选:可以把子集数量定义为与树的数量一致,并进行放回采样,通过样本差获得树的差异性。
  • 决策树的优点:
  • 每个决策树可以不使用全部特征。
  • 不需要剪枝,就可以有效避免过拟合。
>>>import os
>>>import pandas as pd
>>>import numpy as np
>>>from sklearn.model_selection import train_test_split
>>>from sklearn.metrics import  accuracy_score,recall_score,f1_score
>>>from sklearn.ensemble import RandomForestClassifier

>>>models = []
>>>models.append(("RandomForest",RandomForestClassifier(bootstrap=True)))

>>>df = pd.read_csv(os.path.join(".", "data", "WA_Fn-UseC_-HR-Employee-Attrition.csv"))
>>>X_tt,X_validation,Y_tt,Y_validation = train_test_split(df.JobLevel,df.JobSatisfaction,test_size=0.2)
>>>X_train,X_test,Y_train,Y_test = train_test_split(X_tt,Y_tt,test_size=0.25)

>>>for clf_name,clf in models:
>>>    clf.fit(np.array(X_train).reshape(-1,1),np.array(Y_train).reshape(-1,1))
>>>    xy_lst = [(X_train,Y_train),(X_validation,Y_validation),(X_test,Y_test)]
>>>    for i in range(len(xy_lst)):
>>>        X_part = xy_lst[i][0]
>>>        Y_part = xy_lst[i][1]
>>>        Y_pred = clf.predict(np.array(X_part).reshape(-1,1))
>>>        print(i)
>>>        print(clf_name,"-ACC",accuracy_score(Y_part,Y_pred))
>>>        print(clf_name,"-REC",recall_score(Y_part,Y_pred,average='macro'))
>>>        print(clf_name,"-F1",f1_score(Y_part,Y_pred,average='macro'))
>>>        print("="*40)
0
RandomForest -ACC 0.32653061224489793
RandomForest -REC 0.26488902756674626
RandomForest -F1 0.18037863737291104
========================================
1
RandomForest -ACC 0.2891156462585034
RandomForest -REC 0.23440860215053763
RandomForest -F1 0.16347594637223975
========================================
2
RandomForest -ACC 0.30612244897959184
RandomForest -REC 0.24200370076658734
RandomForest -F1 0.1696751689557445
========================================
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,681评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,710评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,623评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,202评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,232评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,368评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,795评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,461评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,647评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,476评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,525评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,226评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,785评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,857评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,090评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,647评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,215评论 2 341

推荐阅读更多精彩内容