通俗講解集成學(xué)習(xí)算法！

• 選定樣本（包含正樣本和負(fù)樣本），將所有樣本分成訓(xùn)練樣本和測(cè)試樣本兩部分。
• 在訓(xùn)練樣本上執(zhí)行分類器算法，生成分類模型。
• 在測(cè)試樣本上執(zhí)行分類模型，生成預(yù)測(cè)結(jié)果。

• 根據(jù)預(yù)測(cè)結(jié)果，計(jì)算必要的評(píng)估指標(biāo)，評(píng)估分類模型的性能。

構(gòu)造這個(gè)分類器不需要任何領(lǐng)域的知識(shí)，也不需要任何的參數(shù)設(shè)置。因此它特別適合于探測(cè)式的知識(shí)發(fā)現(xiàn)。此外，這個(gè)分類器還可以處理高維數(shù)據(jù)，而且采用的是類似于樹這種形式，也特別直觀和便于理解。因此，決策樹是許多商業(yè)規(guī)則歸納系統(tǒng)的基礎(chǔ)。

2. 樸素貝葉斯分類器

素貝葉斯分類器是假設(shè)數(shù)據(jù)樣本特征完全獨(dú)立，以貝葉斯定理為基礎(chǔ)的簡單概率分類器。

3. AdaBoost算法

AdaBoost算法的自適應(yīng)在于前一個(gè)分類器產(chǎn)生的錯(cuò)誤分類樣本會(huì)被用來訓(xùn)練下一個(gè)分類器，從而提升分類準(zhǔn)確率，但是對(duì)于噪聲樣本和異常樣本比較敏感。

4. 支持向量機(jī)

支持向量機(jī)是用過構(gòu)建一個(gè)或者多個(gè)高維的超平面來將樣本數(shù)據(jù)進(jìn)行劃分，超平面即為樣本之間的分類邊界。

5. K近鄰算法

基于k近鄰的K個(gè)樣本作為分析從而簡化計(jì)算提升效率，K近鄰算法分類器是基于距離計(jì)算的分類器。

集成學(xué)習(xí)有許多集成模型，例如自助法、自助聚合（Bagging）、隨機(jī)森林、提升法（Boosting）、 堆疊法（stacking） 以及許多其它的基礎(chǔ)集成學(xué)習(xí)模型。

我們可以用三種主要的旨在組合弱學(xué)習(xí)器的元算法：

• 自助聚合(Bagging)，該方法通常考慮的是同質(zhì)弱學(xué)習(xí)器，相互獨(dú)立地并行學(xué)習(xí)這些弱學(xué)習(xí)器，并按照某種確定性的平均過程將它們組合起來。
• 提升法(Boosting)，該方法通常考慮的也是同質(zhì)弱學(xué)習(xí)器。它以一種高度自適應(yīng)的方法順序地學(xué)習(xí)這些弱學(xué)習(xí)器（每個(gè)基礎(chǔ)模型都依賴于前面的模型），并按照某種確定性的策略將它們組合起來。

• 堆疊法(Stacking)，該方法通常考慮的是異質(zhì)弱學(xué)習(xí)器，并行地學(xué)習(xí)它們，并通過訓(xùn)練一個(gè) 元模型 將它們組合起來，根據(jù)不同弱模型的預(yù)測(cè)結(jié)果輸出一個(gè)最終的預(yù)測(cè)結(jié)果。

非常粗略地說，我們可以說Bagging的重點(diǎn)在于獲得一個(gè)方差比其組成部分更小的集成模型，而Boosting和Stacking則將主要生成偏置比其組成部分更低的強(qiáng)模型（即使方差也可以被減小）。

1. 自助聚合(Bagging)

在并行化的方法 中，我們單獨(dú)擬合不同的學(xué)習(xí)器，因此可以同時(shí)訓(xùn)練它們。最著名的方法是自助聚合(Bagging)，它的目標(biāo)是生成比單個(gè)模型更棒的集成模型。Bagging的方法實(shí)現(xiàn)。

自助法：這種統(tǒng)計(jì)技術(shù)先隨機(jī)抽取出作為替代的 B 個(gè)觀測(cè)值，然后根據(jù)一個(gè)規(guī)模為 N 的初始數(shù)據(jù)集生成大小為 B 的樣本（稱為自助樣本）。

• 初始數(shù)據(jù)集的大小N應(yīng)該足夠大，以捕獲底層分布的大部分復(fù)雜性。這樣，從數(shù)據(jù)集中抽樣就是從真實(shí)分布中抽樣的良好近似（代表性）。

• 與自助樣本的大小B相比，數(shù)據(jù)集的規(guī)模N應(yīng)該足夠大，這樣樣本之間就不會(huì)有太大的相關(guān)性（獨(dú)立性）。注意，接下來我可能還會(huì)提到自助樣本的這些特性（代表性和獨(dú)立性），但讀者應(yīng)該始終牢記：這只是一種近似。

在大多數(shù)情況下，相較于實(shí)際可用的數(shù)據(jù)量來說，考慮真正獨(dú)立的樣本所需要的數(shù)據(jù)量可能太大了。然而，我們可以使用自助法生成一些自助樣本，它們可被視為最具代表性以及最具獨(dú)立性（幾乎是獨(dú)立同分布的樣本）的樣本。這些自助樣本使我們可以通過估計(jì)每個(gè)樣本的值，近似得到估計(jì)量的方差。

2. 提升法(Boosting)

簡而言之，這兩種元算法在順序化的過程中創(chuàng)建和聚合弱學(xué)習(xí)器的方式存在差異。自適應(yīng)提升算法會(huì)更新附加給每個(gè)訓(xùn)練數(shù)據(jù)集中觀測(cè)數(shù)據(jù)的權(quán)重，而梯度提升算法則會(huì)更新這些觀測(cè)數(shù)據(jù)的值。這里產(chǎn)生差異的主要原因是：兩種算法解決優(yōu)化問題（尋找最佳模型——弱學(xué)習(xí)器的加權(quán)和）的方式不同。

在自適應(yīng)adaboost中，我們將集成模型定義為L個(gè)弱學(xué)習(xí)器的加權(quán)和：

另外，我們將弱學(xué)習(xí)器逐個(gè)添加到當(dāng)前的集成模型中，在每次迭代中尋找可能的最佳組合（系數(shù)、弱學(xué)習(xí)器）。換句話說，我們循環(huán)地將 定義如下：

因此，假設(shè)我們面對(duì)的是一個(gè)二分類問題：數(shù)據(jù)集中有N個(gè)觀測(cè)數(shù)據(jù)，我們想在給定一組弱模型的情況下使用adaboost算法。在算法的起始階段（序列中的第一個(gè)模型），所有的觀測(cè)數(shù)據(jù)都擁有相同的權(quán)重1/N。然后，我們將下面的步驟重復(fù)L次（作用于序列中的L個(gè)學(xué)習(xí)器）：

• 用當(dāng)前觀測(cè)數(shù)據(jù)的權(quán)重?cái)M合可能的最佳弱模型
• 計(jì)算更新系數(shù)的值，更新系數(shù)是弱學(xué)習(xí)器的某種標(biāo)量化評(píng)估指標(biāo)，它表示相對(duì)集成模型來說，該弱學(xué)習(xí)器的分量如何

• 通過添加新的弱學(xué)習(xí)器與其更新系數(shù)的乘積來更新強(qiáng)學(xué)習(xí)器計(jì)算新觀測(cè)數(shù)據(jù)的權(quán)重，該權(quán)重表示我們想在下一輪迭代中關(guān)注哪些觀測(cè)數(shù)據(jù)（聚和模型預(yù)測(cè)錯(cuò)誤的觀測(cè)數(shù)據(jù)的權(quán)重增加，而正確預(yù)測(cè)的觀測(cè)數(shù)據(jù)的權(quán)重減小）

重復(fù)這些步驟，我們順序地構(gòu)建出L個(gè)模型，并將它們聚合成一個(gè)簡單的線性組合，然后由表示每個(gè)學(xué)習(xí)器性能的系數(shù)加權(quán)。注意，初始adaboost算法有一些變體，比如LogitBoost（分類）或L2Boost（回歸），它們的差異主要取決于損失函數(shù)的選擇。

3. 堆疊法(Stacking)

• 將訓(xùn)練數(shù)據(jù)分為兩組
• 選擇 L 個(gè)弱學(xué)習(xí)器，用它們擬合第一組數(shù)據(jù)
• 使 L 個(gè)學(xué)習(xí)器中的每個(gè)學(xué)習(xí)器對(duì)第二組數(shù)據(jù)中的觀測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)

• 在第二組數(shù)據(jù)上擬合元模型，使用弱學(xué)習(xí)器做出的預(yù)測(cè)作為輸入

為了克服這種限制，我們可以使用某種k-折交叉訓(xùn)練方法（類似于 k-折交叉驗(yàn)證中的做法）。這樣所有的觀測(cè)數(shù)據(jù)都可以用來訓(xùn)練元模型：對(duì)于任意的觀測(cè)數(shù)據(jù)，弱學(xué)習(xí)器的預(yù)測(cè)都是通過在k-1折數(shù)據(jù)（不包含已考慮的觀測(cè)數(shù)據(jù)）上訓(xùn)練這些弱學(xué)習(xí)器的實(shí)例來完成的。換句話說，它會(huì)在k-1折數(shù)據(jù)上進(jìn)行訓(xùn)練，從而對(duì)剩下的一折數(shù)據(jù)進(jìn)行預(yù)測(cè)。迭代地重復(fù)這個(gè)過程，就可以得到對(duì)任何一折觀測(cè)數(shù)據(jù)的預(yù)測(cè)結(jié)果。這樣一來，我們就可以為數(shù)據(jù)集中的每個(gè)觀測(cè)數(shù)據(jù)生成相關(guān)的預(yù)測(cè)，然后使用所有這些預(yù)測(cè)結(jié)果訓(xùn)練元模型。

十折交叉驗(yàn)證

那么在十個(gè)CNN模型可以使用如下方式進(jìn)行集成：

• 對(duì)預(yù)測(cè)的結(jié)果的概率值進(jìn)行平均，然后解碼為具體字符
• 對(duì)預(yù)測(cè)的字符進(jìn)行投票，得到最終字符

深度學(xué)習(xí)中的集成學(xué)習(xí)

• 丟棄法Dropout
• 測(cè)試集數(shù)據(jù)擴(kuò)增TTA
• Snapshot

1. 丟棄法Dropout

Dropout可以作為訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)的一種技巧。在每個(gè)訓(xùn)練批次中，通過隨機(jī)讓一部分的節(jié)點(diǎn)停止工作。同時(shí)在預(yù)測(cè)的過程中讓所有的節(jié)點(diǎn)都其作用。

Dropout經(jīng)常出現(xiàn)在在先有的CNN網(wǎng)絡(luò)中，可以有效的緩解模型過擬合的情況，也可以在預(yù)測(cè)時(shí)增加模型的精度。加入Dropout后的網(wǎng)絡(luò)結(jié)構(gòu)如下：?

# 定義模型class SVHN_Model1(nn.Module):    def __init__(self):        super(SVHN_Model1, self).__init__()        # CNN提取特征模塊        self.cnn = nn.Sequential(            nn.Conv2d(3, 16, kernel_size=(3, 3), stride=(2, 2)),            nn.ReLU(),            nn.Dropout(0.25),            nn.MaxPool2d(2),            nn.Conv2d(16, 32, kernel_size=(3, 3), stride=(2, 2)),            nn.ReLU(),            nn.Dropout(0.25),            nn.MaxPool2d(2),        )        #        self.fc1 = nn.Linear(32*3*7, 11)        self.fc2 = nn.Linear(32*3*7, 11)        self.fc3 = nn.Linear(32*3*7, 11)        self.fc4 = nn.Linear(32*3*7, 11)        self.fc5 = nn.Linear(32*3*7, 11)        self.fc6 = nn.Linear(32*3*7, 11)
    def forward(self, img):        feat = self.cnn(img)        feat = feat.view(feat.shape[0], -1)        c1 = self.fc1(feat)        c2 = self.fc2(feat)        c3 = self.fc3(feat)        c4 = self.fc4(feat)        c5 = self.fc5(feat)        c6 = self.fc6(feat)????????return?c1,?c2,?c3,?c4,?c5,?c6

2. 測(cè)試集數(shù)據(jù)擴(kuò)增TTA

def predict(test_loader, model, tta=10):   model.eval()   test_pred_tta = None   # TTA 次數(shù)   for _ in range(tta):       test_pred = []
       with torch.no_grad():           for i, (input, target) in enumerate(test_loader):               c0, c1, c2, c3, c4, c5 = model(data[0])               output = np.concatenate([c0.data.numpy(), c1.data.numpy(),                  c2.data.numpy(), c3.data.numpy(),                  c4.data.numpy(), c5.data.numpy()], axis=1)               test_pred.append(output)
       test_pred = np.vstack(test_pred)       if test_pred_tta is None:           test_pred_tta = test_pred       else:           test_pred_tta += test_pred
   return test_pred_tta

Snapshot

在論文Snapshot Ensembles中，作者提出使用cyclical learning rate進(jìn)行訓(xùn)練模型，并保存精度比較好的一些checkopint，最后將多個(gè)checkpoint進(jìn)行模型集成。

由于在cyclical learning rate中學(xué)習(xí)率的變化有周期性變大和減少的行為，因此CNN模型很有可能在跳出局部最優(yōu)進(jìn)入另一個(gè)局部最優(yōu)。在Snapshot論文中作者通過使用表明，此種方法可以在一定程度上提高模型精度，但需要更長的訓(xùn)練時(shí)間。

寫到最后

• 統(tǒng)計(jì)圖片中每個(gè)位置字符出現(xiàn)的頻率，使用規(guī)則修正結(jié)果；
• 單獨(dú)訓(xùn)練一個(gè)字符長度預(yù)測(cè)模型，用來預(yù)測(cè)圖片中字符個(gè)數(shù)，并修正結(jié)果。