机器学习：集成学习（OOB 和 关于 Bagging 的更多讨论）

一、oob（Out - of - Bag）

• 定义：放回取样导致一部分样本很有可能没有取到，这部分样本平均大约有 37% ，把这部分没有取到的样本称为 oob 数据集；

• 根据这种情况，不对数据集进行 train_test_split，也就是不适用 测试数据集，而使用这部分没有取到的样本做测试 / 验证；

 

　2）oob_score 参数

• Bagging 取样方式的集成学习算法，可以不对数据集进行 train_test_split ，而是使用 oob 数据集作为验证数据集；
• oob_score 是 Bagging 取样方式的集成学习算法  BaggingClassifier() 的一个参数：

1. oob_score = True：表示使用 oob 数据集作为验证数据集；
2. oob_score 默认为 False，不使用 oob 数据集作为验证数据集；
3. 可以直接使用 oob_score_ 变量，查看模型在 oob 数据集上的准确率；

 

　3）并行化处理

• Bagging 取样方式，使得计算机极易进行并行化处理；

• 原因：对于每一个子模型都是独立的随机抽取训练数据集，而且每个子模型的训练也都是独立的，所有系统可以对所有的子模型并行处理；

• 在机器学习中，对于所有可以并行处理的算法，都需要对参数 n_jobs 进行确认：

1. n_jobs = n：程序就会使用服务器的 n 个核，同时进行处理；
2. n_jobs = -1：使用电脑所有的核；

 

 

二、子模型产生差异化的方式

　1）对样本进行随机取样 

　2）对特征进行随机取样（Random Subspaces）

• 也就是 n 维的数据集，每次只取 k 维作为样本的特征，形成一个新的数据集；新的数据集的特征空间是原始数据集的特征空间的子空间；（k < n）

 

　3）即针对样本数量，又针对特征进行随机取样（Random Patches）

• 相当于即随机抽取矩阵每行的数据，又随机抽取矩阵每列的数据，如下图：
• 

 

• 一般在图像识别领域，采用特征取样的方式；

 

 

三、scikit-learn 中使用特征取样方式

• 在 scikit-learn 的集成学习算法 BaggingClassifier 中封装了变量，来使用不同的取样方式：

• 模拟数据集

  import numpy as np
  import matplotlib.pyplot as plt
  from sklearn import datasets
  
  X, y = datasets.make_moons(n_samples=500, noise=0.3, random_state=42)

   

• 使用 oob

• bootstrap = True：使用 Bagging 取样方式按样本取样；

• from sklearn.tree import DecisionTreeClassifier
  from sklearn.ensemble import BaggingClassifier
  
  bagging_clf = BaggingClassifier(DecisionTreeClassifier(),
                                 n_estimators=500, max_samples=100, 
                                 bootstrap=True, oob_score=True)
  bagging_clf.fit(X, y)
  bagging_clf.oob_score_
  # 准确率：0.916

   

• 设置并行处理：n_jobs

  %%time
  bagging_clf2 = BaggingClassifier(DecisionTreeClassifier(),
                                 n_estimators=500, max_samples=100, 
                                 bootstrap=True, oob_score=True,
                                 n_jobs=-1)
  bagging_clf2.fit(X, y)
  # Wall time：2.26 s

   

• Random Patches 方式：即针对样本数量，又针对特征进行取样；

• BaggingClassifier() 的参数：

1. bootstrap = True：表示采用放回的方式对样本进行取样；
2. max_samples=100：表示每次取 100 个样本；
3. bootstrap_features=True：表示采用放回取样的方式对特征进行取样；
4. max_features=1：每次给样本取 1 个特征；

   random_subspaces_clf = BaggingClassifier(DecisionTreeClassifier(),
                                  n_estimators=500, max_samples=100, 
                                  bootstrap=True, oob_score=True,
                                  n_jobs=-1, max_features=1, bootstrap_features=True)
   random_subspaces_clf.fit(X, y)
   random_subspaces_clf.oob_score_
   # 准确率：0.862

    

• 这种使用 决策树算法集成学习得到的子模型，称为随机森林；