集成学习(ensemble learning)干货系列(1)——集成学习概述

什么是集成学习？

集成学习：简单概括就是通过某种合理的方式将多个简单的基学习器结合起来，以期获得更准确，更高效的模型。 对某些机器学习任务，有的时候我们使用单个模型已经调到最优，很难再有改进。这时候为了提高性能，往往会用很少量的工作，组合多个基模型（基学习器），使得系统性能提高。 如果基学习器是从某⼀种学习 算法从训练数据中产⽣，称该集成学习是同质的（homogenerous）。如果基学习器是从⼏种不同学习算法从训练数据中产⽣，则称集成学习是异质的（heterogenous ）。集成学习中， 通常基学习器之间的互补性越强，或者基学习器更多样的话，集成效果更好。


为了帮助大家更好的理解各种集成模型到底在作什么，以及如何减少误差提升性能的；我们先来看一下误差的偏差-方差分解。

误差的偏差-方差分解

点估计的偏差和方差

记训练样本数据集 $D$上对参数 $\theta$的点估计为: $\hat \theta = g(D)$,根据频率学派的观点，真实值 $\theta$是固定的，但是未知，而 $\hat \theta$是一个关于数据 $D$的函数。由于数据是随机采样的，因此 $\hat \theta$是一个随机变量。
于是，点估计的偏差定义为：
$bias(\hat \theta) = \mathbb{E}[\hat\theta] - \theta$
这里的期望作用在所有数据上。为了理解这里的期望，假设我们可以对整个流程重复多次，每次收集得到数据集 $D$，利用训练数据得到估计 $\hat \theta$, 如果将每次收集到的训练样本 $D$看成是关于总体数据的独立同分布的样本，那么每次收集到的D会有些不同，从而每次得到的参数估计 $\hat \theta$肯定也会不同，这多个不同的估计可以看成是期望 $\mathbb{E}[\hat\theta]$的估计。
如果 $bias(\hat \theta)=0$，那么我们就称这个估计是无偏的。

顺便提一嘴，统计上还有个概念叫Fisher一致性，它是从稳健性估计的角度来看

点估计的⽅差为 $\mathbb{V}(\hat \theta)$ ，它刻画的是从潜在的数据分布中独⽴地获取样本集时，点估计的变化程度。

例题：从均值为 $\mu$的伯努利分布中，得到独立同分布样本 $x_1, x_2, \dots, x_N$, $\mathbb{E}(x_i) = \mu, \mathbb{V}(x_i) = \mu(1- \mu)$。
样本均值可作为参数 $\mu$的⼀个点估计,即: $\hat \mu =\frac{1}{N} \sum_{i=1}^Nx_i$
因为
$\mathbb{E}(\hat \mu) = \mathbb{E}[\frac{1}{N} \sum_{i=1}^Nx_i] = \frac{1}{N} \mathbb{E}[\sum_{i=1}^Nx_i] = \mu$
所以 $\hat \mu$为 $\mu$的一个无偏估计。
估计的⽅差为：
$\mathbb{V}(\mu) = \mathbb{V}[\frac{1}{N} \sum_{i=1}^Nx_i] = \frac{1}{N^2}\mathbb{V}[\sum_{i=1}^Nx_i] = \frac{1}{N}\mu(1- \mu)$

这表明估计的方差随样本数量 $N$增加而下降，估计的⽅差随着样本数量的增加⽽下降，这是所有估计的共性，这也是为什么说可能的情况下，我们希望训练样本数据越多越好。

预测误差的偏差-方差分解

我们希望模型能够尽可能准确的描述数据产生的真实规律，这里的准确是指模型测试集上的预测误差尽可能小。模型在未知数据上的误差，称为泛化误差。，它主要有三种来：随机误差，偏差和方差。

• 随机误差。
  随机误差 $\eta$是不可消除的，与我们数据的产生或收集机制密切相关，并且认为其与真值 $y^*$是独立的，若 $y^*$为实值则一般认为其随机误差服从 $\eta \sim N(0,\sigma_{\eta}^2)$的正态分布, 于是可以的真实值 $y^*$与我们的观测值 $y$的关系如下：
  $y = y^* + \eta$
  也就是说观测值 $y$是服从 $y \sim N(y^*, \sigma_{\eta}^2)$的正态分布。

• 偏差。 偏差来源于模型中的错误假设。偏差过高就意味着模型所代表的特征和标签之间的关系是错误的，对应欠拟合现象。

  给定数据 $D$,在 $D$上训练得到我们的模型设为 $f_D$。根据 $f_D$对训练样本进行测试，得到的预测结果记为 $\hat y_D = f_D(x)$。模型预测的偏差的平方度量模型预测 $\hat y_D$的期望与真实值 $y^*$之间的差异：
  $bias^2(\hat y_D) = (\mathbb{E}(\hat y_D) - y^*)^2$
  偏差表示学习算法的期望预测与真实值之间的偏离程度，即偏差刻画了我们的模型本身对数据的拟合能力。

• 方差。方差来源于模型对训练数据波动的过度敏感。方差过高意味着模型对
  数据中的随机噪声也进行了建模，将本不属于“特征– 标签”关系
  中的随机特性也纳入到模型之中，对应着过拟合现象.

  $\mathbb{V}[\hat y_D] = \mathbb{E}[(\hat y_D - \mathbb{E}[\hat y_D])^2]$
  方差表示由于训练集的变动所导致的学习性能的变化（不稳定性），刻画了数据扰动造成的影响。

偏差-方差分解推导

通常情况下，我们一般使用 $L_2$损失作为我们的损失函数
$\mathcal{L}(\hat y_D, y) = (y - \hat y_D)^2$,
注意这里的 $y$为上面提到的观测值， $y = y^* + \eta$。
令 $\overline y = \mathbb{E}[\hat y_D]$,泛化误差定义为损失函数的数学期望：
$\begin{aligned} Err &= \mathbb{E}[(y - \hat y_D)^2] = \mathbb{E}[(\hat y_D - (y^* + \eta))^2] \\ &= \mathbb{E}[(\hat y_D - y^*)^2 + \eta^2 - 2\eta(\hat y_D - y^*) ] \\ &= \mathbb{E}[(\hat y_D - y^*)^2] + \mathbb{E}[\eta^2] \\ &= \mathbb{E}[(\hat y_D - y^*)^2] + \mathbb{var}[\eta] \\ &= \mathbb{E}[(\hat y_D - \overline y) + (\overline y - y^*)^2] + \mathbb{var}[\eta] \\ &= \mathbb{E}[(\hat y_D - \overline y)^2] + \mathbb{E}[(\overline y - y^*)^2] + 2\mathbb{E}[(\hat y_D - \overline y)(\overline y - y^*)] + var[\eta] \\ &= var[\hat y_D] + (\overline y - y^*)^2 + 2(\overline y - y^*)^2(\mathbb{E}[\hat y_D] - \overline y) + var[\eta] \\ &= var[\hat y_D] + bias^2(\hat y_D) + var[\eta] \end{aligned}$
即泛化误差可以分解为为预测的偏差的平方、预测的⽅差以及数据的噪声。我们称之为泛化误差的偏差——方差分解。虽然其他损失函数不能解析证明泛化误差可分解为偏差的平方、方差和噪声，但大致趋势相同。
偏差-方差分解表明模型的性能是由模型的拟合能力，数据的充分性以及学习任务本身的难度共同决定的：

• 偏差：度量模型的期望预测与真实结果之间的偏离程度，刻画了模型本身的拟合能力。
• 方差： 度量训练集的变动所导致的模型性能的变化，刻画了数据扰动造成的影响。
• 噪声：度量在当前任务上任何模型所能达到的期望泛化误差的下界，刻画了学习问题本身的难度。

至此，看完了偏差——方差分解，我们已经清楚对于某个任务来说，模型的性能受哪几方面的影响，由于噪声的存在且我们很难去减少噪声，所以主要是从减少模型的偏差（Bagging方法）和减少模型的方差（Boosting等）两方面提高模型的性能，这也是主流集成学习所希望完成的事情。

结合策略

下面简单介绍下集成学习对基学习器几种简单的结合策略，为我们下一篇打下基础。

Geometric Average Rule

Arithmetic Average Rule

Majority Voting Rule

参考文献

1. 卿来云，中国科学院大学《模式识别与机器学习》第七章
2. 周晓飞，中国科学院大学《机器学习》 第六章