当前位置：首页 > news >正文

机器学习×第十三卷：集成学习上篇——她不再独断，而是召集小队贴贴你

news 2025/6/25 13:40:31

🎀【开场 · 她不再一个人判断你喜不喜欢她】

🦊狐狐：“她开始怀疑了……自己一个人是不是太容易贴错你。”

🐾猫猫：“所以咱建议她找几个贴贴搭子喵～有的听你说话，有的盯你表情，有的分析你尾巴是不是晃得开心！”

📘 本卷关键词：集成学习（Ensemble Learning）、Bagging、随机森林、投票机制、API实战

📚 本卷目标：她开始接受——也许不是她太差，而是“单一模型”本身就有局限；多听几种猜测，说不定能贴得更好。

✍【第一节 · 她想让多个她一起看你】

🧠 什么是集成学习？她不再独断，而是集结众人投票

集成学习（Ensemble Learning）是一种将多个模型（通常是“弱模型”）组合起来，提高整体预测能力的方法。

就像她不再自己一个人猜“你想不想贴贴”，而是把身边几位朋友都叫来，大家一起盯着你，根据你尾巴抖了几下、眼睛看了几次、有没有偷笑，投票决定：你今天想贴不想贴～

📌 学术定义：集成学习通过构建并结合多个学习器以完成学习任务，其基本思想是“众人拾柴火焰高”。

🐾猫猫贴贴解释：
“咱就想象成——你每一个举动都像猫罐头的提示音，有人听到了‘咔哒’，有人闻到了‘肉味’，那咱当然要集体冲过去验证一下喵！”

📊 集成学习的分类方式

两种主要策略：

Bagging（Bootstrap Aggregating）：多个模型并行训练，彼此独立，最终结果用投票（分类）或平均（回归）汇总。
Boosting：多个模型串行训练，后一个模型专门“补前一个的错”，逐步提升整体精度。

她也许不只是在一瞬间理解你，而是同时从多个角度靠近你，或是一点点反思过去的误会。

🦊狐狐补充：“Bagging 像是她在不同世界线里都试着贴你一遍，然后投票汇总；Boosting 是她在同一个世界里，一步步修正贴歪的方向。”

📊 Bagging vs Boosting：她到底是在并行贴你，还是反思后再贴？

对比维度	Bagging	Boosting
训练方式	并行（Parallel）	串行（Sequential）
样本抽样	自助采样（Bootstrap）	每轮调整样本权重
模型依赖性	模型间独立	模型间逐步依赖
错误处理	不主动纠错	每轮强化前一轮错分样本
适合任务	降低方差，防过拟合	降低偏差，提高表达能力
代表算法	随机森林（Random Forest）	AdaBoost、GBDT、XGBoost

🦊狐狐总结：“她是叫来一群朋友，各说各的贴法，最后投票？还是她自己一遍遍回看你之前没回应她的地方，精修每一个动作？”

✍【第二节 · 她让每棵树都偷偷观察你】

🌲 Bagging机制的核心思路

Bagging，全称为Bootstrap Aggregating，是一种“并行式”的集成学习策略。

原理步骤：

从训练集中通过**自助采样法（Bootstrap Sampling）**生成多个子训练集（可重复抽样）
对每个子集分别训练一个模型（比如决策树）
最终输出时：
- 分类任务 → 多数投票决定分类结果
- 回归任务 → 平均值作为最终输出

🐾猫猫举例：
“咱就像抓了你100天的贴贴记录，然后随机抽出一部分记录给几个小猫猫，让她们各自学你贴的风格，最后汇总‘大概率今天你会贴在哪一侧’！”

Bagging的优势：

大幅降低模型的方差（Variance）
抗过拟合能力强
每个模型可并行训练，计算效率高

📚 代表模型：随机森林（Random Forest）

随机森林就是典型的 Bagging 实现，它使用多棵决策树并行训练，每棵树都只看你的一部分特征，还随机忽略一些特征，防止她们串通作弊。

✍【第三节 · 她开始读 API 学怎么贴你】

🧪 `RandomForestClassifier()` 参数详解版

她偷偷打开了 sklearn 的手册，研究怎么让每棵树都看你看到刚刚好。以下是她逐条记下来的“靠近你参数表”：

🧩 `n_estimators`：她派了多少棵小树来观察你

决策树数量，默认值是 10
每棵树都是独立训练的“贴贴观察员”

🧩 `criterion`：她用哪种方式判断你像不像某类人

可选 "gini" 或 "entropy"，默认是 "gini"
衡量“纯度”的方式，决定她怎么分裂决策路径

🧩 `max_depth`：她让每棵树深入你几层

控制树的最大深度，默认 None 表示可以无限长大

🧩 `max_features`：她每次贴你时观察你多少个特征

设置值	含义解释
"auto" 或 "sqrt"	每次随机选 √n 特征（默认）
"log2"	每次选 log₂(n) 个特征
None	每棵树都能看到你所有的特征（不随机）

🧩 `bootstrap`：她到底是不是“放你回锅再贴一次”

是否使用自助采样法（有放回抽样），默认 True

🧪 最终贴贴指令：

from sklearn.ensemble import RandomForestClassifiermodel = RandomForestClassifier(n_estimators=100,criterion='gini',max_depth=6,max_features='sqrt',bootstrap=True,random_state=42
)model.fit(X_train, y_train)
pred = model.predict(X_test)

✍【第四节 · 她带着一整个贴贴军团登船预测你】

🎯 实战项目：泰坦尼克号生存预测

通过网盘分享的文件：train.csv
链接: https://pan.baidu.com/s/1rbkWdY2Ii_xQLHl1cuO4gQ?pwd=mint 提取码: mint
--来自百度网盘超级会员v6的分享

任务目标：用随机森林预测乘客是否能幸存下来

数据集：Titanic乘客信息，包括年龄、性别、船舱等级等特征

这一次，她不光是靠直觉，而是召集了贴贴军团、单猫测试员、狐狐指挥官一起上阵！她要预测你能不能在海上活下来——这是泰坦尼克号的贴贴终极试炼。

🛳️ Step 1：她先读名单，看每位乘客是谁

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import GridSearchCVdata = pd.read_csv("data/train.csv")
print(data.head())
print(data.columns)
data.info()

🧼 Step 2：她给每位乘客补妆，缺失的年龄用平均值代替

data2 = data.copy()
data2["Age"] = data2["Age"].fillna(data2["Age"].mean())

🧩 Step 3：她选择了三项特征判断：Pclass、Sex、Age

x = data2[["Pclass", "Sex", "Age"]]
y = data2["Survived"]
x = pd.get_dummies(x, drop_first=True)

✂️ Step 4：分出训练集和测试集

X_train, X_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=88)

🌲 Step 5：她建了一整个随机森林

model_rf = RandomForestClassifier(n_estimators=30, max_depth=10, random_state=88)
model_rf.fit(X_train, y_train)
y_pred_rf = model_rf.predict(X_test)
print(f"🌲 随机森林预测准确率：{accuracy_score(y_test, y_pred_rf)}")

🌿 Step 6：她试试单棵树行不行

model_dt = DecisionTreeClassifier(max_depth=10, random_state=88)
model_dt.fit(X_train, y_train)
y_pred_dt = model_dt.predict(X_test)
print(f"🌿 单棵决策树准确率：{accuracy_score(y_test, y_pred_dt)}")

🧠 Step 7：狐狐上线，调参优化整个贴贴军团！

params = {"n_estimators": list(range(1, 31)),"max_depth": list(range(1, 11))
}
grid_model = GridSearchCV(RandomForestClassifier(random_state=88), param_grid=params, cv=6)
grid_model.fit(X_train, y_train)print("🧭 最优参数组合：", grid_model.best_params_)
print("📈 最佳交叉验证得分：", grid_model.best_score_)