SPSS Modeler 集成学习算法之同质集成(第十五章)

2023-10-12 04:10

本文主要是介绍SPSS Modeler 集成学习算法之同质集成(第十五章),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里插入图片描述

前面小编和大家一起学习了若干分类器,一般情况下,我们在训练集上构建单个分类器解决问题。而对于集成学习算法,可以组合若干个基分类器,从而提升分类器的预测性能。通俗说,就是三个臭皮匠赛过诸葛亮。

如果基分类器的数量趋于无穷多,那么集成分类器的错误率是否会等于0呢?
不会,因为集成分类器错误率趋于0需要达到以下条件:
(1)基分类器的错误率要低于0.5%;
(2)基分类器之间相互独立。
一般的,我们是基于同一数据集进行分类器的训练,很难满足分类器间相互独立的条件。在实际中,只能尽量保证分类器之间不存在强相关的情况。当所有基分类器完全相关时,组合分类器的性能不会有任何改善。

同质集成:指所有基分类器都是由同一种算法所产生的。
同质集成学习方法:Bagging,Boosting,随机森林。

一、Bagging

Boostrap AGGregatING,也称为袋装法,是最为经典的并行集成算法。

1.1 过程:对原始训练数据集进行有放回的重复抽样达到目的。

1.2 结果输出
① 分类任务:少数服从多数的原则集成多个分类器结果。(出现平票情况,可以利用准确率进行分类器加权或直接从平票结果中随机选择一个)
② 回归任务:对多个分类器的预测值求平均作为最终的预测结果。

1.3 步骤:分类任务为例
(1)输入:
包含n个样本的训练数据集D;
基分类器算法f;
设定基分类器构建个数N。
(2)for i in 1:N do。
(3)从初始数据集D中有放回的抽取n个样本,生成自助训练集Di。
(4)基于训练集Di,训练获得基分类器fi。
(5)end for 。
(6)输出。
各个基分类器是独立生成的,因此可以使用并行的方法提高效率。Bagging算法主要用于降低方差,同时对噪声样本具有较强的抗干扰能力,因此能够减少模型过拟合的风险。
SPSS Modeler中,Bagging作为提高模型稳定性的选项。

二、Boosting

最为经典的串行集成算法。

2.1 过程:下一个分类器将根据上一个分类器的预测结果对样本的权重进行调整,对于错判样本将给予更大的权重,从而使得新的分类器更加关注错误样本的预测。

2.2 步骤:分类任务为例,AdaBoost算法
(1)输入:
包含n个样本的训练数据集D;
基分类器算法f;
设定基分类器构建个数N。
(2)初始化样本权重w1。
(3)for i in 1:N do。
(4)从初始数据集D中基于样本权重wi有放回的抽取n个样本,生成训练集Di。
(5)基于训练集Di,训练获得基分类器fi。
(6)计算基分类器fi的加权误差zi。
(7)if zi >0.5 then。
(8)重新初始化样本权重wi。
(9)返回步骤(4)。
(10)end if。
(11)计算分类器权重。
(12)更新下一轮的抽样权重。
(13)end for。
(14)输出。
Boosting算法主要用于降低偏差,通过对错分样本赋予“更高”的权重,Boosting能够通过集成实现更高的准确度。由于其对异常点更加敏感,因此在某些情况下更容易出现过拟合的情况。
SPSS Modeler中,Bagging作为模型准确性的选项。

三、随机森林

如果决策树的最终输出是一棵树,那么随机森林的最终输出就是一片森林。
在Modeler中,随机森林的基分类器是CART算法。
过程:
实际上,随机森林方法将在Bagging算法上更进一步,首先随机森林算法采取与Bagging同样的测量生成N个不同的自助训练数据集。接着,对每个自助训练数据集,在树生长的过程中将引入随机因素。
决策树:在所有的m个属性变量中选择最优变量。
随机森林:先从m个属性变量中随机选择d(d≤m)个变量生成变量子集V,再在变量子集V中选择最优的划分变量。一般地,子集的个数可以选择d=log2 m +1。d越小,各个基分类器的关联性就越低,当d=1时,意味着每个节点都是采用随机方式进行选择。
袋外样本:OOB,out of bag,由于采用重采样生成自助样本集,则某些样本可能没有被选入,这些没有被选入的样本称为袋外样本。
可以使用袋外样本作为验证集及测试集,无须事先对数据集进行划分。
SPSS Modeler的“随机树”节点中,预测准确性就是袋外估计的预测结果。

这篇关于SPSS Modeler 集成学习算法之同质集成(第十五章)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/193141

相关文章

springboot简单集成Security配置的教程

《springboot简单集成Security配置的教程》:本文主要介绍springboot简单集成Security配置的教程,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录集成Security安全框架引入依赖编写配置类WebSecurityConfig(自定义资源权限规则

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

springboot集成Deepseek4j的项目实践

《springboot集成Deepseek4j的项目实践》本文主要介绍了springboot集成Deepseek4j的项目实践,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价... 目录Deepseek4j快速开始Maven 依js赖基础配置基础使用示例1. 流式返回示例2. 进阶

Spring Boot 集成 Quartz 使用Cron 表达式实现定时任务

《SpringBoot集成Quartz使用Cron表达式实现定时任务》本文介绍了如何在SpringBoot项目中集成Quartz并使用Cron表达式进行任务调度,通过添加Quartz依赖、创... 目录前言1. 添加 Quartz 依赖2. 创建 Quartz 任务3. 配置 Quartz 任务调度4. 启

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣:146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI集成DeepSeek实现流式输出的操作方法

《SpringAI集成DeepSeek实现流式输出的操作方法》本文介绍了如何在SpringBoot中使用Sse(Server-SentEvents)技术实现流式输出,后端使用SpringMVC中的S... 目录一、后端代码二、前端代码三、运行项目小天有话说题外话参考资料前面一篇文章我们实现了《Spring

SpringBoot集成图片验证码框架easy-captcha的详细过程

《SpringBoot集成图片验证码框架easy-captcha的详细过程》本文介绍了如何将Easy-Captcha框架集成到SpringBoot项目中,实现图片验证码功能,Easy-Captcha是... 目录SpringBoot集成图片验证码框架easy-captcha一、引言二、依赖三、代码1. Ea