內建學習(ensemble learning)可以說是現在非常火爆的機器學習方法了。它本身不是一個單獨的機器學習算法，而是通過建構并結合多個機器學習器來完成學習任務。也就是我們常說的“博采衆長”。內建學習可以用于分類問題內建，回歸問題內建，特征選取內建，異常點檢測內建等等，可以說所有的機器學習領域都可以看到內建學習的身影。本文就對內建學習的原理做一個總結。
從下圖，我們可以對內建學習的思想做一個概括。對于訓練集資料，我們通過訓練若幹個個體學習器，通過一定的結合政策，就可以最終形成一個強學習器，以達到博采衆長的目的。
也就是說，內建學習有兩個主要的問題需要解決，第一是如何得到若幹個個體學習器，第二是如何選擇一種結合政策，将這些個體學習器集合成一個強學習器。
上一節我們講到，內建學習的第一個問題就是如何得到若幹個個體學習器。這裡我們有兩種選擇。
第一種就是所有的個體學習器都是一個種類的，或者說是同質的。比如都是決策樹個體學習器，或者都是神經網絡個體學習器。第二種是所有的個體學習器不全是一個種類的，或者說是異質的。比如我們有一個分類問題，對訓練集采用支援向量機個體學習器，邏輯回歸個體學習器和樸素貝葉斯個體學習器來學習，再通過某種結合政策來确定最終的分類強學習器。
目前來說，同質個體學習器的應用是最廣泛的，一般我們常說的內建學習的方法都是指的同質個體學習器。而同質個體學習器使用最多的模型是CART決策樹和神經網絡。同質個體學習器按照個體學習器之間是否存在依賴關系可以分為兩類，第一個是個體學習器之間存在強依賴關系，一系列個體學習器基本都需要串行生成，代表算法是boosting系列算法，第二個是個體學習器之間不存在強依賴關系，一系列個體學習器可以并行生成，代表算法是bagging和随機森林（Random Forest）系列算法。下面就分别對這兩類算法做一個概括總結。
boosting的算法原理我們可以用一張圖做一個概括如下：
從圖中可以看出，Boosting算法的工作機制是首先從訓練集用初始權重訓練出一個弱學習器1，根據弱學習的學習誤差率表現來更新訓練樣本的權重，使得之前弱學習器1學習誤差率高的訓練樣本點的權重變高，使得這些誤差率高的點在後面的弱學習器2中得到更多的重視。然後基于調整權重後的訓練集來訓練弱學習器2.，如此重複進行，直到弱學習器數達到事先指定的數目T，最終将這T個弱學習器通過集合政策進行整合，得到最終的強學習器。
Boosting系列算法裡最著名算法主要有AdaBoost算法和提升樹(boosting tree)系列算法。提升樹系列算法裡面應用最廣泛的是梯度提升樹(Gradient Boosting Tree)。AdaBoost和提升樹算法的原理在後面的文章中會專門來講。
Bagging的算法原理和 boosting不同，它的弱學習器之間沒有依賴關系，可以并行生成，我們可以用一張圖做一個概括如下：
從上圖可以看出，bagging的個體弱學習器的訓練集是通過随機采樣得到的。通過T次的随機采樣，我們就可以得到T個采樣集，對于這T個采樣集，我們可以分别獨立的訓練出T個弱學習器，再對這T個弱學習器通過集合政策來得到最終的強學習器。
對于這裡的随機采樣有必要做進一步的介紹，這裡一般采用的是自助采樣法（Bootstap sampling）,即對于m個樣本的原始訓練集，我們每次先随機采集一個樣本放入采樣集，接着把該樣本放回，也就是說下次采樣時該樣本仍有可能被采集到，這樣采集m次，最終可以得到m個樣本的采樣集，由于是随機采樣，這樣每次的采樣集是和原始訓練集不同的，和其他采樣集也是不同的，這樣得到多個不同的弱學習器。
随機森林是bagging的一個特化進階版，所謂的特化是因為随機森林的弱學習器都是決策樹。所謂的進階是随機森林在bagging的樣本随機采樣基礎上，又加上了特征的随機選擇，其基本思想沒有脫離bagging的範疇。bagging和随機森林算法的原理在後面的文章中會專門來講。
在上面幾節裡面我們主要關注于學習器，提到了學習器的結合政策但沒有細講，本節就對內建學習之結合政策做一個總結。我們假定我得到的T個弱學習器是{h1,h2,...hT}{h1,h2,...hT}
對于數值類的回歸預測問題，通常使用的結合政策是平均法，也就是說，對于若幹和弱學習器的輸出進行平均得到最終的預測輸出。
最簡單的平均是算術平均，也就是說最終預測是
H(x)=1T∑1Thi(x)H(x)=1T∑1Thi(x)
如果每個個體學習器有一個權重ww，則最終預測是
H(x)=∑i=1Twihi(x)H(x)=∑i=1Twihi(x)
其中wiwi是個體學習器hihi的權重，通常有
wi≥0,∑i=1Twi=1wi≥0,∑i=1Twi=1
對于分類問題的預測，我們通常使用的是投票法。假設我們的預測類别是{c1,c2,...cK}{c1,c2,...cK},對于任意一個預測樣本x，我們的T個弱學習器的預測結果分别是(h1(x),h2(x)...hT(x))(h1(x),h2(x)...hT(x))。
最簡單的投票法是相對多數投票法，也就是我們常說的少數服從多數，也就是T個弱學習器的對樣本x的預測結果中，數量最多的類别cici為最終的分類類别。如果不止一個類别獲得最高票，則随機選擇一個做最終類别。
稍微複雜的投票法是絕對多數投票法，也就是我們常說的要票過半數。在相對多數投票法的基礎上，不光要求獲得最高票，還要求票過半數。否則會拒絕預測。
更加複雜的是權重投票法，和權重平均法一樣，每個弱學習器的分類票數要乘以一個權重，最終将各個類别的權重票數求和，最大的值對應的類别為最終類别。
上兩節的方法都是對弱學習器的結果做平均或者投票，相對比較簡單，但是可能學習誤差較大，于是就有了學習法這種方法，對于學習法，代表方法是stacking，當使用stacking的結合政策時， 我們不是對弱學習器的結果做簡單的邏輯處理，而是再加上一層學習器，也就是說，我們将訓練集弱學習器的學習結果作為輸入，将訓練集的輸出作為輸出，重新訓練一個學習器來得到最終結果。
在這種情況下，我們将弱學習器稱為初級學習器，将用于結合的學習器稱為次級學習器。對于測試集，我們首先用初級學習器預測一次，得到次級學習器的輸入樣本，再用次級學習器預測一次，得到最終的預測結果。
以上就是內建學習原理的一個總結，後面會分别對Adaboost, 提升樹，bagging和随機森林的算法原理做一個總結，敬請期待。
本文轉自劉建平Pinard部落格園部落格，原文連結：http://www.cnblogs.com/pinard/p/6131423.html，如需轉載請自行聯系原作者