随机森林和adaboost对比

标签：trap   列表   相同   结果   通过   创建   筛选   训练   span   

随机森林和adaboost都是集成学习比较经典的模型

随机森林和adaboost所使用的思想不同

随机森林运用bagging的思想，相当于并行，利用随机的方式将许多决策树组合成一个森林，每个决策树在分类的时候决定测试样本的最终类别

adaboost运用boosting的思想，是一种迭代算法，针对同一个训练集训练不同的分类器并加权累加到总模型中，将不同的学习器线性组合得到最终的强学习器

学习器训练使用的样本不同

随机森林使用bagging思想，采取随机有放回抽样的方式，重新选择出s个新数据集来分别训练s个分类器的集成技术，模型的训练数据中允许存在重复数据，每个新数据集的样本数量必须和原始数据集的样本数量一致（不同的数据集训练不同的学习器）

adaboost使用boosting的思想，使用所有样本，为每个样本赋予一个权重（样本加权），每次用训练好的学习器标注/预测各个样本，如果某个样本点被预测的越正确，则将其权重降低；否则提高样本的权重。权重越高的样本在下一个迭代训练中所占的比重越大，也就是说越难区分的样本在训练过程中会变得越重要（相同的数据集训练不同的学习器）

构建过程

随机森林

从样本集中用Bootstrap采样选出n个样本；、

从所有属性中随机选择K个属性，选择出最佳分割属性作为节点创建决策树；

重复以上两步m次，即建立m棵决策树；

这m个决策树形成随机森林，通过投票表决结果决定数据属于那一类

Adaboost

1. 假设训练数据集?

2. 初始化训练数据权重分布

3. 使用具有权值分布Dm的训练数据集学习，得到基本分类器

4. 计算Gm(x)在训练集上的分类误差

5. 计算Gm(x)模型的权重系数αm

6. 权重训练数据集的权值分布

7. 权重归一化

8. 构建基本分类器的线性组合

优缺点

 随机森林

RF的主要优点：

1. 训练可以并行化，对于大规模样本的训练具有速度的优势；

2. 由于进行随机选择决策树划分特征列表，这样在样本维度比较高的时候，仍然具有比较高的训练性能；

3. 给以给出各个特征的重要性列表；

4. 由于存在随机抽样，训练出来的模型方差小，泛化能力强；

5. RF实现简单；

6. 对于部分特征的缺失不敏感。

RF的主要缺点：

1. 在某些噪音比较大的特征上，RF模型容易陷入过拟合；

2. 取值比较多的划分特征对RF的决策会产生更大的影响，从而有可能影响模型的效果

Adaboost 算法优缺点

优点：

1）Adaboost 是一种有很高精度的分类器

2）可以使用各种方法构建子分类器，Adaboost 算法提供的是框架

3）当使用简单分类器时，计算出的结果是可以理解的，而弱分类器构造极其简单

4）简单，不用做特征筛选

AdaBoost的优点如下：

• 可以处理连续值和离散值；

• 解释强，结构简单。

AdaBoost的缺点如下：

• 对异常样本敏感，异常样本可能会在迭代过程中获得较高的权重值，最终影响模型效果。

应用场景

RF算法

实际应用中具有比较好的特性，应用也比较广泛，主要应用在：分类、 回归、特征转换、异常点检测等

Adaboost 算法应用场景

1）用于二分类应用场景

2）用于做分类任务的 baseline--无脑化，简单，不用调分类器

3）Boosting 框架用于对 badcase 的修正--只需要增加新的分类器，不需要变动原有分类器

随机森林和adaboost对比

标签：trap   列表   相同   结果   通过   创建   筛选   训练   span   

原文地址：https://www.cnblogs.com/hive617/p/12499710.html