三、集成算法：RF、AdaBoost、GBDT、XGBoost、LightGBM、Stacking模型融合
1、集成算法的原理介绍
集成算法就是建立很多个弱评估器(也叫基评估器)，然后以某种集成规则把这些弱评估的评估结果集成，从而达到比单个弱评估器更好的效果。核心思想就是三个臭皮匠顶个诸葛亮。
臭皮匠是谁？决策树、线性回归、逻辑回归、朴素贝叶斯、SVM、KNN等等都可以，就是这些单个评估器都可以当作基评估器。
三个臭皮匠能顶一个诸葛亮吗？假如有3个弱评估器，每个弱评估器的效果都是0.6，这里先简单的以少数服从多数的集成规则进行集成，集成后的准确率是0.6*0.6*0.6+3*0.6*0.6*0.4=0.6479999999999999。假如集成5个弱评估器，集成的准确率就是：0.6*0.6*0.6*0.6*0.6+5*0.6*0.6*0.6*0.6*0.4+10*0.6*0.6*0.6*0.4*0.4=0.68256。假如集成7个。。。不想算了，肯定集成后的准确率更高。
所以集成算法还是非常强大的，集成学习的代表算法有：随机森林、GBDT、Xgboost、LightGBM等，光听名字都觉得很强大。
目前都有哪些集成规则？主要有三种集成方法：
方法1：bagging法。
这个方法的典型代表就是随机森林，也是集成算法的入门算法。顾名思义，随机森林的基评估器是决策树，就是建立多棵决策树，如果是分类任务，就以少数服从多数的规则集成， 如果是回归任务，就用平均法集成。但是也没有这么简单，这里还有几个细节。
细节1，随机森林中的每棵树不是用所有的训练样本建立的，而是有放回的随机抽取部分训练样本fit成一棵树的。你反过来想，如果每个棵树都用的是全部样本，那每棵树不是长得一样了吗，所有树的预测结果都一样，那最后集成的结果不就是每棵树的结果嘛。所以生成每棵树的时候一定要只用部分样本来生成。
细节2，除了训练样本要抽样，训练特征也要抽样！就是每棵树的生成不仅要抽样样本还要抽样特征。这样做的目的就是生成各种不同的树。每棵树见的样本、特征都各异，那么每棵树就有自己不同的擅长点。所以，用bagging方法集成的时候一定要保证基分类器是相互独立的，是不相同的，才会有集成的效果。
细节3，这种随机有放回的抽样本方法，对于小样本量数据和少特征数据来说，每个样本、每个特征都有可能被抽到，被学习。但是对于训练集样本量很大的数据集来说，就有可能有的样本压根就抽不到！假如有n条样本，一条样本被抽到的概率是1/n，没被抽到的概率就是1-1/n，假如抽了m次，它都没被抽到的概率是(1-1/n)**m,当m、n都趋向很大时，这个概率就是趋向于1/e，也就是约有36.8%的样本一直没有被抽到。这些数据称为袋外数据out of bag data(oob),所以我们在使用随机森林时，我们可以不用划分测试集和训练集，只需要用袋外数据来测试我们的模型即可。当然前提是你数据量够多，有袋外数据。当你数据量不多时，就没有袋外数据，自然就没得用了。
小结：bagging法可以很大程度上减小单个模型选择不当的风险，Bagging可以获得一个方差比其单个基模型更小的强模型。所以当你使用bagging方法时，你的基模型最好是低偏差、高方差的基模型，此时集成模型会方差变小、模型更稳定。
方法2：boosting法。
boosting方法和bagging一样，其基模型都是同类的弱模型，但它不像bagging中各个弱模型都是独立的、并联的，boosting中的基模型都是严格有序的、串联的。
不同于bagging,boosting是着眼于生成一个偏差比其单个基模型更低的强模型，就是从前往后对一个个基模型进行筛选和打磨，让每个基模型都非常强大，并且还赋予各个基模型不同的权重来集成它们。通俗的说，就是使用各种手段，提高串联中的各个模型的效果，让每个弱模型都很强大，并且用加权的形式集成这些基模型，自然最后的结果就更加好了。基于这个目标和方向，boosting方法在基模型的样本选择、训练过程、集成规则等方面都有自己独特的地方。
boosting方法分自适应提升(adaboost)和梯度提升(gradient boosting)两种方式。
（1）adaboost 是自适应提升。什么是自适应提升呢？就是在一个一串的基模型中（基模型的顺序不能改变），每个基模型的训练集都是原训练集，只是训练集中每个样本的权重发生了变化，而这个权重是根据它上一个分类器的分类结果自动进行调整的。就是对上一个分类器分对的样本除以一个数，分错的样本乘以这个数，这样数据集的样本权重就变了，这也是为什么是自适应的原因了。然后把变了权重的训练集喂入下一个基模型。我们都知道，一个样本的权重越高，就意味着在损失函数中它对应的损失前面的系数也越大，那在损失函数的牵引下，这个样本会被重点学习，所以上一个分类器分错的样本，下一个分类器就会重点分这个样本。 除了基模型的训练样本权重不一样外，adaboost还使用加权规则来进行集成。如何加权集成呢？比如第一个基模型的训练结果先保存一下，开始训练第二个基模型时，除了给它调整样本权重外，还把它的训练结果也保存下，然后就再用比如线性回归，把两个预测结果和真实标签放一起线性回归一下，就得到这两个基模型的集成权重。开始训练第三个基模型时，同理除了调整样本权重外，还得把结果和前两个基模型的结果放一起和真实标签回归一下，如果第三个基模型对真实标签拟合没作用的话，那它的回归系数自然就是0了，就是说第三个基模型的权重是0，集成后的预测结果也没它啥事了，继续生成第四个基模型，以此类推，保证所有的添加的基模型都是对拟合标签是有贡献的。这也是boost的原因。自适应提升的典型代表算法是AdaBoost。鉴于不同的任务使用不同的集成规则，AdaBoost就有比如LogitBoost（分类）或L2Boost（回归）等变体。
（2）gradient boosting, 梯度提升，什么是梯度提升呢？梯度提升不是像adaboost那样变换样本权重，而是后面的基模型学习的都是前面模型的残差，当残差达到一定阈值时，就停止生成新的基模型，所以叫梯度提升。这种方法也不会牵扯什么集成规则，集成后的模型预测值是所有基模型的预测值之和。该方法效果非常好，和深度学习中残差网络的思路一样，都是直接拟合残差，效果超好。对应的典型算法是GBDT及其改进优化的工程版变体XGBoost，以及当前大火的微软开源的LightGBM，也是一个基于决策树算法的梯度提升框架。LightGBM以速度惊人、支持分布式、占用内存小等特点迅速成为当前机器学习算法中的新宠。
小结：当你使用boosting方法的时候，你的基模型一定是一些弱模型，就是欠拟合你的数据的模型。此时用boosting集成，效果就会大大提升。反之，如果你的基模型都是过拟合模型，还boosting啥呢，都没空间boosting了。其次boosting方法对噪声样本和异常样本比较敏感，当数据集不太好时，你的重点要先放在特征工程上，先在特征工程上做一些trick，然后再用boosting方法。
方法3：stacking法。
stacking则是使用不同的基评估器，然后集成的时候就按adaboost中的集成方法，把所有基评估器的结果再线性回归或者逻辑回归一下即可。
小结：bagging方法中的基评估器都是一样，而且地位也都一样，都是独立的，所以可以并联运行。boosting方法中的基评估器也是都是一样的，但它们是串联起来的，不能并行运行。stacking的基评估器也是可以并行训练的，只是最后要再回归一下。
2、准备数据：HiggsBoson数据集
（1）从kaggle上下载数据
（2）读取数据、简单探索数据、分训练集和测试集
import time
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
data = pd.read_csv(r'training.csv')
features = data.iloc[:, 1:-2] #250000 rows × 31 columns
label = data.iloc[:, -1]
xtrain, xtest, ytrain, ytest = train_test_split(features, label, test_size=0.3, random_state=123)
3、所有模型先跑一遍看看数据底线
（1）决策树
start = time.time()
from sklearn.tree import DecisionTreeClassifier
tree = DecisionTreeClassifier()
tree.fit(xtrain, ytrain)
ypred = tree.predict(xtest)
score_train = tree.score(xtrain, ytrain)
score_test = tree.score(xtest, ytest)
print('训练集：', score_train, ' ', '测试集：', score_test)
print(accuracy_score(ypred, ytest))
print(time.time()-start)训练集： 1.0 测试集： 0.76444 0.76444 21.315803289413452
决策树不是集成算法，但是这里把它列出了是因为，后面的集成模型的基模型都是决策树，所以为了对比，我们看看单个树模型的效果。
从分值上看，单个树对训练集是全部预测正确，但是对测试的正确率只有0.76444，可见这个模型就是一个典型的过拟合模型。当然主要原因也是我们压根就没有调参，全部都是默认参数，如果好好调调超参数，消减一下过拟合，这个模型可能会好一点，但是模型极限也大概这个样子了。
（2）随机森林
start = time.time()
from sklearn.ensemble import RandomForestClassifier
clf = RandomForestClassifier(n_estimators=100)
clf.fit(xtrain, ytrain)
ypred = clf.predict(xtest)
score_train = clf.score(xtrain, ytrain)
score_test = clf.score(xtest, ytest)
print('训练集：', score_train, ' ', '测试集：', score_test)
print(accuracy_score(ypred, ytest))
print(time.time()-start)训练集： 0.9999885714285714 测试集： 0.8369866666666667 0.8369866666666667 215.39269065856934
随机森林直接把分值从0.76提升到0.83，但是这个模型也是一个典型的过拟合模型，训练集几乎100%拟合。但是这个模型最主要的是速度太慢，用了3分多钟。
（3）AdaBoost
start = time.time()
from sklearn.ensemble import AdaBoostClassifier
ada = AdaBoostClassifier(n_estimators=100)
ada.fit(xtrain, ytrain)
ypred = ada.predict(xtest)
score_train = ada.score(xtrain, ytrain)
score_test = ada.score(xtest, ytest)
print('训练集：', score_train, ' ', '测试集：', score_test)
print(accuracy_score(ypred, ytest))
print(time.time()-start)训练集： 0.8186114285714285 测试集： 0.8164266666666666 0.8164266666666666 158.35273146629333
adaboost和随机森林比起来不过拟合，训练集和测试集的分值差不多，测试集只比训练集稍稍差了一点点，非常正常。速度虽比随机森林有所提升，但也太慢。
（4）GBDT
start = time.time()
from sklearn.ensemble import GradientBoostingClassifier
gbdt = GradientBoostingClassifier(n_estimators=100)
gbdt.fit(xtrain, ytrain)
ypred = gbdt.predict(xtest)
score_train = gbdt.score(xtrain, ytrain)
score_test = gbdt.score(xtest, ytest)
print('训练集：', score_train, ' ', '测试集：', score_test)
print(accuracy_score(ypred, ytest))
print(time.time()-start)训练集： 0.8342742857142857 测试集： 0.82964 0.82964 283.10672426223755
GBDT比ada的效果要好一点点，提升了一点点，而且也不过拟合，非常正常。但是速度实在是太慢太慢。慢的原因有很多，但效果好，所以后来的xgboost和lightGBM都是在它的基础上进行了原理层面以及工程层面的很大优化。
（5）XGBoost
XGBoost可以说是GBDT的工程化版本，得自己安装：pip install xgboost==1.0.1 推荐这个版本是因为这个版本稳定一些。
from xgboost import XGBClassifier
from sklearn.preprocessing import LabelBinarizer #处理标签列
#读取源数据
data = pd.read_csv(r'training.csv')
features = data.iloc[:, 1:-2] #250000 rows × 31 columns
label = data.iloc[:, -1]
xtrain, xtest, ytrain, ytest = train_test_split(features, label, test_size=0.3, random_state=123)
#给标签列编码
binarized = LabelBinarizer()
ytrain = binarized.fit_transform(ytrain).ravel()
ytest = binarized.fit_transform(ytest).ravel()
start = time.time()
#建模-训练-查看准确率
xgb = XGBClassifier(objective='binary:logistic')
xgb.fit(xtrain, ytrain)
ypred = xgb.predict(xtest)
score_train = xgb.score(xtrain, ytrain)
score_test = xgb.score(xtest, ytest)
print('训练集：', score_train, ' ', '测试集：', score_test)
print(accuracy_score(ypred, ytest))
print(time.time()-start)训练集： 0.8675142857142857 测试集： 0.8398933333333334 0.8398933333333334 3.4247934818267822
可见，XGBoost比GBDT效果还要更好一点，而且也不过拟合。重点是速度提升了很多很多，速度几乎是GBDT的十分之一。
（6）LightGBM
目前的新宠LGB都不叫算法，叫框架。既然是框架，就表示更加复杂、更加庞大，所以要单独下载安装：pip install lightgbm
光LGB的参数说明都可以长篇大论写一篇博客了，网上也有很多，想抠细节的小伙伴自行百度其他博文吧，我这里侧重点是走通一个完整流程，了解大框架，所以其中的细节不再展开讲解。当然在你非常了解了决策树的生成和剪枝的细节、以及boost集成的操作思路后，相信在算法层面，你理解LGB应该已经不会太困难了，可能最大的障碍就是工程方面的优化会比较晦涩一些。
import time
import lightgbm
from sklearn.preprocessing import LabelBinarizer #处理标签列
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
#读取源数据
data = pd.read_csv(r'training.csv')
features = data.iloc[:, 1:-2] #250000 rows × 31 columns
label = data.iloc[:, -1]
xtrain, xtest, ytrain, ytest = train_test_split(features, label, test_size=0.3, random_state=123)
#给标签列编码
binarized = LabelBinarizer()
ytrain = binarized.fit_transform(ytrain).ravel()
ytest = binarized.fit_transform(ytest).ravel()
start = time.time()
# 将训练集和测试集整理成lgb要求的形式
lgb_train = lightgbm.Dataset(xtrain, ytrain) # 创建训练集，将数据保存到LightGBM二进制文件将使加载更快
lgb_test = lightgbm.Dataset(xtest, ytest, reference=lgb_train) # 创建测试集
# 将参数写成字典下形式
params = {'task': 'train', 'boosting_type': 'gbdt', 'objective': 'binary', 'metric':'auc', 'is_unbalance':True, 'force_col_wise':True}
# 训练模型
gbm = lightgbm.train(params,lgb_train,valid_sets=[lgb_train, lgb_test])
#查看训练结果
score = gbm.best_score
print('训练集：', score['training'])
print('测试集：', score['valid_1'])
# 训练后保存模型到文件
gbm.save_model('model_gbm.txt')
print(time.time()-start)[LightGBM] [Info] Number of positive: 59977, number of negative: 115023
[LightGBM] [Info] Total Bins 7388
[LightGBM] [Info] Number of data points in the train set: 175000, number of used features: 30
[LightGBM] [Info] [binary:BoostFromScore]: pavg=0.342726 -> initscore=-0.651171
[LightGBM] [Info] Start training from score -0.651171
训练集： OrderedDict([('auc', 0.9174424819661972)])
测试集： OrderedDict([('auc', 0.9077815342580077)])
5.596917152404785
可见，强大的算法就是强大，只设置了几个必要的、通用的参数，细节完全没有调，就直接把分数拉到0.9以上了！而且速度也是可以接受的范围。
（7）Stacking模型融合
前面的这些集成算法，不管是bagging还是boosting，它们的基模型都是同类模型，就是都是树模型。但是stacking就不一样了，它是把几个异质的模型融合到一起，所以stacking方法是更加强大的方法，是数据竞赛中常用的模型融合方法。这里只简单跑通一个流程演示一下。
from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.ensemble import StackingRegressor
from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeRegressor
data = load_breast_cancer()
features = data.data
target = data.target
xtrain, xtest, ytrain, ytest=train_test_split(features,target,test_size=0.2)
model1 = DecisionTreeRegressor()
model2 = LinearRegression()
stacking = StackingRegressor(estimators=[('dt', model1), ('lr', model2)], final_estimator=LinearRegression())
stacking.fit(xtrain, ytrain)
# 预测
y_pred = stacking.predict(xtest)
# 模型评价
print(stacking)
rmse = mean_squared_error(ytest, y_pred) ** 0.5
rmseStackingRegressor(estimators=[('dt', DecisionTreeRegressor()),
('lr', LinearRegression())],
final_estimator=LinearRegression())
0.2441514442707548
4、模型调优
前面仅仅是模型跑通了，还得调优。调优就是组合一系列模型可能的参数取值，看哪组参数最适合我们的数据，就是哪组参数可以更好的学习我们的数据，就是哪组参数可以这个数据集上取得更高的分值，当然这个分值是要综合考虑训练集的分值和测试集的分值的，也就是要考虑过拟合问题。也所以模型调优的大前提就是，一是，你要对每个模型的背后原理和数学计算得非常非常清晰，你才有调优的方向。二是，你得知道一些调优工具，像我在上篇决策树文章最后给大家演示了两种调优方法，一个是学习曲线，一个是网格搜索。显然本篇将得这7个模型，用学校曲线都不行，因为学习曲线是针对单个参数调优，它不能联动调优。本篇的前6个模型推荐都用网格搜索，至于网格搜索的工具，如果你的数据量不是巨量的，电脑内存都可以，那你用sklearn中的GridSearchCV调调；如果你的数据是海量的，你不妨试试RandomizedSearchCV，如果你觉得RandomizedSearchCV效果不行，那你试试HalvingGridSearchCV。
本篇的前6个模型中，除了决策树，后面5个都是集成模型，尽管是集成模型，但它们都是单模型，但是第7个模型是模型融合，它的调优就更复杂，你可以试试HyperOPT优化，具体怎么使用你可以再继续百度，因为都不是几句话可以说明白的，你知道了这个方向，就可以自己探索了。
写在最后，给大家简单通俗的介绍一下随机森林的参数，调优的前提是你对参数非常非常的了解嘛，其他模型也都是树模型的集成，相信你都可以自己猜的七七八八了，剩下的就是多看资料去印证。
n_estimators 1、森林中要有几颗树模型，就是有几个基分类器
criterion 不纯度指标的计算方法，这个指标是树模型进行分支的依据 A
splitter 默认是根据criterion的计算结果进行分支，这个参数也可以设置为随机划分，如果随机划分每棵树就会长得更深。B
max_depth 2、树的最大深度 C
min_samples_split 3、再分支的最小样本量 D
min_samples_leaf 4、叶节点的最少样本量 E
min_weight_fraction_leaf 叶节点的最小权重和 G
max_features 5、每次分支时要选择几个特征开始计算并分支 F
random_state 随机模式，和随机数种子类似，可以输入任何数字。当我们设定这个参数时，每次实例化后就会长出同一片森林，方便对比。 K
max_leaf_nodes 叶节点的最大个数，就是不能分太多的叶子节点 i
min_impurity_split 分支的最低不纯度，就是不纯度小于这个参数就不用再继续分支了 j
class_weight 各类标签的样本的权重，当样本不均衡时要考虑这个参数，增加少量标签的权重，让模型更加偏向少数类。H
前面表12345的这五个参数是调参频率最高的五个参数，就是我们一般都是调这五个参数，其他参数看情况调。
ABFK：criterion 、splitter 、max_features、random_state
当用一棵树来表示一个二维表格数据(行是一个个样本，列是一个个特征)的时候，也就是用一个树模型来拟合一个二维表格数据的时候，这3个参数就决定了你将生成一棵什么样的树。
criterion ：我们在生成树的时候，最主要的就是按那个特征的哪个取值进行二分分支，也就是选取哪个特征作为节点，而且选取这个特征的哪个值进行分支。那这个依据就是不纯度指标，就是计算各个特征的不纯度，然后按照不纯度指标最低的那给特征进行分支，而根据这个特征的哪个值进行分支还是用这个指标来计算。
参数criterion就是不纯度的计算方法。如果是分类任务，不纯度可以用信息熵entropy或者基尼系数Gini Impurity(gini，也叫信息增益)两种方式来计算。如果是回归任务，不纯度可以用均方差mse或者平均绝对差friedman_mse来计算。所以这个参数是来控制一棵树如何生长的背后数学计算公式的。
参数splitter：有2种取值，当splitter='best'时，就是对所有特征进行不纯度计算后，找到不纯度值最低的那个指标，按照那个指标进行分支。但是当我们的特征有成千上万个后，这种方法计算量就很大，树模型的生成就很慢，此时我们可以用这个参数splitter='random'，就是每次都随机选择几个特征进行计算并分支。但是这种情况随机性又太大。
所以，当我们的splitter='best'时，我们还可以通过调整参数max_features来控制每次计算的特征个数，以此来减小计算量。
默认max_features='None'表示计算所有特征；max_features='auto'或者“sqrt”都表示每次只计算根号N个特征的不纯度；max_features='log2'表示每次都只计算log2N个特征。
如果你的splitter=best,那你每次长的都是同一棵树。因为数据不变，计算不纯度是用的是全部特征，而全部特征又是不变的，所以每次按照哪个特征进行分支就会不变，最后生成的树结构也不变。但是如果你的splitter='random'或者max_features不是None，那你每次生成的树都是不一样的，那不是很难复现模型嘛，为了即使有随机也能复现，我们就用random_state参数来控制每次随机时的随机模式，这样每次随机的时候都是一样的模式，就可以复现了，方便你对比调参等工作。
C：max_depth ：如果说ABFK合起来就可以生成一个完整的树，那么max_depth就是对这棵树进行暴力剪枝的参数。这个参数是限制树的最大深度。限制深度可以有效抑制过拟合。比如很极端，我生成的树模型细分到一个样本一个结果，那模型在训练集的准确率肯定是100%，但是这么深这么细的分支的树是一个过拟合模型，在测试集上肯定不行的，所以我们要抑制模型的过拟合现象。那这个参数就是最常用的一个参数。
ij：max_leaf_nodes 、min_impurity_split：这两个参数也是从不同的角度对树模型进行微暴力剪枝的。目前自然也是为了抑制模型过拟合。一个是从叶子节点数方面进行暴力剪枝的；一个是从节点的不纯度角度进行的剪枝，当一个节点再进行分支后的样本的不纯度小于这个参数的值，就不要再分支了，这个节点自己就当作一个叶子节点吧。这两种剪枝方法我们一般不用，max_leaf_nodes 默认是None, min_impurity_split默认值是0。就是不用这两个参数。原因是这两个参数我们初次建模很难拿捏呀，除非你对这个数据集已经研究了很久，也已经建过很多个树模型了，你对最大叶子节点数量和最小不纯度有很高的把握了，你才知道怎么调整这两个参数。
DE：min_samples_split 、min_samples_leaf 。如果说max_depth参数是暴力剪枝，max_leaf_nodes 、min_impurity_split是高手剪枝，那这两个参数就是我们普通人的精修操作了。
比如min_samples_split =5，表示如果当前的节点中的样本量小于5个，即使这5个样本的target不一样，也不用继续分支了。就是停止分支，就这样吧。
比如min_samples_leaf=3表示如果当前叶子节点中的样本量小于3个，这个叶子节点和它的兄弟节点都要删掉，只留下父节点即可。
D和E经常搭配一起，比如有个节点的样本有6个，那它是满足继续分支的条件的，但是如果这6个样本中有2个样本target是1，4个样本的target是2，那就不要分了，因为左分支样本量是2个，小于3了，就不要分了，还是让这6个样本的节点当作叶子节点吧。不要再继续分了。
这两个参数也是防止过拟合的，如果设置得太大，就阻止了模型的继续学习，如果参数设置得太小，就会过拟合。这两个参数和C搭配起来使用，有很好的抗过拟合效果。
GH：min_weight_fraction_leaf、class_weight 这两个参数是搭配使用的，主要是针对分类问题中的样本不均衡的情况。class_weight的默认值是None,就是不考虑样本均衡问题，就是样本基本均衡的情况。当class_weight=“balanced”时，算法会自动计算各类标签的样本权重的。此时各类样本是有不同的权重值的。而参数min_weight_fraction_leaf 的默认值是0就是不考虑权重问题，就是不管叶子节点里面的样本的权重值，是多少都行。如果设置了min_weight_fraction_leaf =0.01，就表示叶子节点中所有样本权重(各个样本的权重值是由class_weight提供的)的和，如果小于0.01，这个叶子节点就和它的兄弟节点一起被剪枝。