西瓜书概念

第8章 集成学习

  • Page171: 多分类器系统(multi-classifier system)

    即集成学习。

  • Page171: 个体学习器(individual learner)

    集成学习的一般结构是:先产生一组“个体学习器”,再用某种策略将它们结合起来,个体学习器通常由一个现有的学习算法从训练数据产生。

  • Page171: 基学习器(base learner)

    集成中只包含同种类型的个体学习器,这样的集成是同质的。同质集成中的个体学习器亦称“基学习器”,相应的学习算法称为“基学习算法”。

  • Page171: 基学习算法(base learning algorithm)

    见基学习器。

  • Page171: 集成学习(311)(ensemble learning)

    集成学习通过构建并结合多个学习器来完成学习任务,有时也被称为多分类器系统(multi-classifier system),基于委员会的学习(committee-based learning)。

  • Page171: 弱学习器(weak learner)

    集成学习通过将多个学习器进行结合,常可获得比单一学习器显著优越的泛化性能,这对弱学习器尤为明显,基学习器有时也被直接称为弱学习器。

  • Page172: AdaBoost

    AdaBoost算法有多种推导方式,比较容易理解的是基于“加性模型”,即基学习器的线性组合

    来最小化指数损失函数(exponential loss function)

  • Page172: 多样性(diversity)

    学习器之间具有差异。

  • Page172: 投票法(225)(voting)

    少数服从多数。

  • Page173: Boosting(page139)

    Boosting是一族可将弱学习器提升为强学习器的算法,这族算法的工作机制类似:先从初始训练集训练出一个基学习器,再根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的样本在后续收到更多关注,然后基于调整后的样本分布来训练下一个基学习器,如此重复进行,直至基学习器数目达到事先指定的值T,最终将这T个基学习器进行加权结合。

  • Page173: 加性模型

    见AdaBoost

  • Page177: 重采样(re-sampling)

    在每一轮学习中,根据样本分布对训练集重新进行采样,再用重采样而得的样本集对基学习器进行训练。

  • Page177: 重赋权(re-weighting)

    在训练过程的每一轮中,根据样本分布为每个训练样本重新赋予一个权重,对无法接受带权样本的基学习算法,则可通过重采样法处理,两种做法没有显著的优劣差别。

  • Page178: Bagging(Boostrap AGGregatING)

    Bagging是并行式集成学习方法最著名的代表,基于自助采样法,给定包含m个样本的数据集,先随机取出一个样本放入采样集中,再把该样本放回初始数据集,使得下次采样时该样本仍有可能被选中,这样经过m次随机采样操作,我们得到含m个样本的采样集,初始训练集中有的样本在采样集里多次出现,有的从未出现。采样出T个含m个训练样本的采样集,然后基于每个采样集训练出一个基学习器,再将这些基学习器进行结合,这就是Bagging的基本流程。

  • Page178: 自助采样法(Boostrap sampling)

    见Bagging。

  • Page179: 随机森林(Random Forest,RF)

    是Bagging的一个扩展变体,RF在以决策树为基学习器构建Bagging集成的基础上,进一步在决策树的训练过程中引入随机属性选择。具体来说,传统决策树在选择划分属性时是在当前结点的属性集合(假定有d个属性)中选择一个最优属性,,而在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分,这里的参数k控制了随机性的引入程度:若令k=d,则基决策树的构建与传统决策树相同;若令k=1,则是随机选择一个属性用于划分;一般情况下,推荐

  • Page182: 加权平均(225)(weighted averaging)

    假定集成包含T个基学习器,其中在示例上的输出为,加权平均结合

    其中是个体学习器的权重,通常要求

  • Page182: 简单平均(simple averaging)

    符号含义见加权平均。

  • Page182: 绝对多数投票(majority voting) 对分类任务来说,学习器将从类别标记集合中预测出一个标记,最常见的结合策略是使用投票法,将在样本上的预测输出表示为一个N维向量,其中在类别标记上的输出。

    绝对多数投票法:

    即若某标记得票过半数,则预测为该标记;否则拒绝预测。

  • Page183: 加权投票(225)(weighted voting)

    与加权平均法类似,的权重,通常.

  • Page183: 相对多数投票(plurality votiing)

    即预测为得票最多的标记,若同时又多个标记获得最高表,则从中随机选取一个,绝对多数投票和相对多数投票统称为多数投票法。

  • Page184: Stacking

    一种集成学习方法,先从初始数据集训练出初级学习器,然后生成一个新数据集用于训练次级学习器,在新数据集中,初级学习器的输出被当作样例输入特征,而初始样本的标记仍被当做样例标记。

  • Page185: 贝叶斯模型平均(Bayes Model Averaging)

    基于后验概率来为不同模型赋予权重,可视为加权平均法的一种特殊实现,理论上,若数据生成模型恰在当前考虑的模型中,且数据噪声少,则BMA不差于Stacking;然而,在现实应用中无法确保数据生成模型一定在当前考虑的模型中,甚至可能难以用当前考虑的模型来进行近似,因此,Stacking通常优于BMA,更鲁棒,BMA对模型近似误差更敏感。

  • Page185: 分歧(304)(ambiguity)

    假定我们用个体学习器通过加权平均法结合产生的集成来完成回归学习任务,对示例,定义学习器的“分歧”为:

    则集成的“分歧”是

    这里的分歧表征了个体学习器在样本x上的不一致性,在一定程度上反映了个体学习器的多样性。

  • Page185: 误差-分歧分解(error-ambiguity decomposition)

    : 集成泛化误差,: 个体学习器泛化误差的加权均值,表示个体学习器的加权分歧值。这个分解明确提出:个体学习器准确性越高,多样性越大,集成越好。

  • Page187: 差异性度量

    同多样性度量。

  • Page187: 多样性度量(diversity measure)

    度量集成中个体分类器的多样性,估算个体学习器的多样化程度,典型做法是考虑个体分类器的两两相似/不相似性,常用度量有不合度量,相关系数,Q-统计量,K-统计量

  • Page189: 属性子集

    训练样本通常由一组属性描述,不同的子空间(即属性子集)提供了观察数据的不同视角。

  • Page189: 随机子空间(random subspace)

    依赖输入属性扰动产生随机的属性子集。

  • Page189: 稳定基学习器(stable base learner)

    对数据样本扰动不敏感的学习器,例如线性学习器、支持向量机、朴素贝叶斯,k近邻学习器。

  • Page189: 子空间(227)(subspace)

子空间一般指从初始的高维属性空间投影产生的低维属性空间,描述低维空间的属性是通过初始属性投影变换而得,未必是初始属性。

  • Page191: 集成修剪(ensemble pruning)

    集成产生之后再视图通过去除一些个体学习器来获得较小的集成,称为集成修剪,有助于减小模型的存储开销和预测时间开销,减小集成规模常导致泛化性能下降,并行化集成进行修剪能在减小规模的同时提升泛化性能,并催生了基于优化的集成修剪技术。

  • Page191: 选择性集成(selective emsemble)

    对并行化集成的修剪亦称“选择性集成”,但现在一般将选择性集成用作集成修剪的同义语,亦称集成选择(ensemble selection)。

results matching ""

    No results matching ""