Python机器学习-多元分类的5种模型

杨利霞

7 [, A. L! M6 ~! _& cPython机器学习-多元分类的5种模型

; ^  ^5 I) E$ [: c  o# l最近上了些机器学习的课程，于是想透过Kaggle资料集来练习整个资料科学专案的流程，在模型训练阶段，虽然听过许多分类模型，但不是很了解其各别的优缺点与适合的使用时机，所以想来整理一篇文章，统整上课学习与网路资料，作为后续专案的优化方向！

! K4 G* ~' J) l" {首先，机器学习主要分为「监督式学习」与「非监督式学习」，两者的差异在于资料是否有「标签」。

9 O+ j: |1 i) v. ?5 B/ ]监督式学习(Supervised Learning)：给予「有标签」的资料，举例来说：给机器一堆苹果和橘子的照片，并说明哪些是苹果、哪些是橘子，再拿一张新的照片询问机器这是苹果还是橘子，而监督式学习又可分为回归(Regression)和分类(Classification)。

非监督式学习(Unsupervised Learning)：给予「无标签」的资料，让机器找出潜在的规则，举例来说：给予机器一堆苹果和橘子的照片，但没有告诉机器这些照片各别是哪种水果，让机器自行找到资料间的相似性，而非监督式学习又可分为分群(Clustering)和降维(Dimension Reduction)。

这篇文章会以监督式学习中的分类模型为主。

' ~4 }* B8 J" `, M一、逻辑回归(Logistic Regression)
逻辑回归是个二元分类(Binary Classification)的模型，并有其对应的机率值，举例：明天会下雨的机率有90%。
* o: \7 N# t6 `1 d' y# w* }
基本概念是利用线性回归线(Linear Regression Line)，将资料分为A/B两类，再透过Sigmoid Function (or Logistic Function) 输出A类别的机率值(0~1)，若机率>0.5则判断为A类别，因为是二元分类，所以当机率<0.5则被归类为B类别。
) @1 j1 K" {" G  t! u
; V! r& S& G$ K% C9 ^2 Z: T) O1 H若需处理多元分类问题，有两种方法：
3 _9 H- Q# v5 v1 B' {4 S/ w- A1. One versus Rest (or One versus All)：将每个分类与其他剩余的资料做比较，若有N个类别，就需要N个二元分类器。以下方图例来说明，若有类别1~3，每次各使用一个类别与剩余的两个类别作二元分类后，会得到三个分类器，预测时把资料放到三个分类器中，看哪个分类器的分数较高，就判断为该类别。

One versus Rest Example (Source from Internet)
) W( O. \( e. j. L4 j+ |$ b5 Z3 I+ _
& }3 K6 l3 L; ^* M! J: q2. One versus One：每次选择两个类别做分类，若有N个类别，就会有N*(N-1)/2个分类器，将每次分类的结果做投票，最后判断为票数最高的那个类别。举下方图例来说，有三个类别，会有三组分类器，最后新资料会判断为票数较高的类别1。
1 n$ [0 l" L* S
' _1 K' P0 u6 [/ m% w, [6 p, yOne versus One Example (Source from Internet)

+ L( A- e4 q" V' B* L) ~0 V4 RLogistic Regression的优点：
' A8 F) o3 h5 n( q◆ 资料线性可分(包含在高维度空间找到linear plane)
& R/ |& Y: s+ D! x0 |◆ 除了分类，也可以得到A/B两类的机率
6 Y5 r( [5 _2 }* N5 \; n* r◆ 执行速度较快

/ p5 E! W3 b0 P+ a0 {Logistic Regression的缺点：
◆ 线性回归线的切法可能不够漂亮
2 H. \3 m' H' d5 S  E+ F◆ 不能很好地处理大量、多类特征
) l6 k5 ^% P4 }& j0 N
二、 支持向量机( 支持向量机，SVM）
支持向量机(Support Vector Machine)是在寻找一个超平面(Hyper-plane)来做分类，并使两个类别之间的边界距离最大化(会忽略异常点Outlier)。
: w# D" Q4 p/ f1 f) X" C  m& D
SVM也可使用于非线性分类(如下图B)，透过Kernels functions将低维空间转换为高维空间，让资料可以在高维空间被线性分类。想像红色球的重量比蓝色球还重，在平面上一拍，让球往上弹，重量重的红色球会较快落下，在立体空间就可以找出个平面来切分红色和蓝色球。
4 o5 @% `/ z& Y/ X0 j
Support Vector Machine Example (Source from Internet)

SVM的优点：
4 l8 x* ^3 z* y6 q6 J. z◆ 切出来的线或平面很漂亮，拥有最大边界距离(margin)
◆ 在高维空间可以使用(即使维度数大于样本数也有效)
& _# s, S  \6 s4 ]* G◆ 在资料量较小、非线性、高维度与局部最小点等情况下有相对的优势

$ X3 u% {! e, p: v2 \* |SVM的缺点：
◆ 当资料太多时，所需的训练时间太长，而使效果不佳
2 N1 }) O" N2 c9 b3 J& d◆ 当资料集有太多noise时(如目标类别有重叠)，预测的效果也会不好
) t# F0 m; ?* N( S$ p◆ SVM不会直接提供机率的估计值

三、决策树(Decision Tree)
( ~3 T8 k1 M2 y& k2 k: P* g% i透过模型预测可以得知某个方程式来做分类，但方程式可能很难懂或很难解释，这时需要决策树(Decision Tree)，它的准确性可能没有很精准，但「解释性」高，所以决策树是一种条件式的分类器，以树状结构来处理分类问题。
5 U6 t: O% R7 b; D& l: [; l! e2 V
建构决策树的方式，是将整个资料集依据某个特征分为数个子资料集，再从子资料集依据某个特征，分为更小的资料集，直到子资料集都是同一个类别的资料，而该如何分类则是透过资讯熵(Entropy)和资讯增益(Information Gain)来决定。
' R& @! @+ f0 Z
1. 资讯熵(Entropy)：用来衡量资料的不纯度，若资料为同一类Entropy=0，若资料「等分」成不同类别Entropy=1。
9 J- Z: L0 ~% E  M' ]& \
2. 资讯增益(Information Gain)：用来衡量某个特征对于资料分类的能力，而建构决策树就是要找到具有最高资讯增益的分类法(得到纯度最高的分支)。简单来说，原本的资料集(High Entropy=E1)，经过分类，得到多个资料集(Low Entropy=E2)，其中的E1-E2=Information Gain。

- |& U; M3 w! s- kDecision Tree的优点：
◆ 决策树容易理解和解释
0 p+ P' \0 N6 Z/ ?◆ 资料分类不需要太多的计算
◆ 可以处理连续值和离散值
◆ 资料准备相对比较容易
(不需要做特征标准化、可以处理合理的缺失值、不受异常值的影响)
◆ 因为解释性高，能用在决策分析中，找到一个最可能达到目标的策略
( \& o+ Q+ c, t$ u
$ c$ J- m7 J: b; U% g2 [3 C: ZDecision Tree的缺点： **
1 }% z$ T$ a. J- j9 o+ d**◆ 容易过度拟合(Over-fitting)
0 ^4 q+ s# U3 n7 b( N& A◆ 若类别太多，但资料量太少，效果比较差
2 O/ _7 L& q6 e- d# n: x/ d( w! W$ {
四、随机森林(Random Forest)
3 q1 [8 e- R( Q$ r随机森林，是取部分特征与部分资料产生决策树，每重复此步骤，会再产生一颗决策树，最后再进行多数决投票产生最终结果。

随机森林可以降低决策树有过拟合的问题，因为最终结果是对所有的决策树结果进行投票，进而消除了单棵决策树的偏差。
- w7 q! A% g. L6 o6 n
Random Forest Example (Source from Internet)

8 h1 w7 L% {5 d) N3 S/ C' ^( xRandom Forest的优点：
◆ 随机森林的决策树够多，分类器就不会过拟合
3 H6 i$ ]( p) {6 H3 {◆ 每棵树会用到的资料和特征是随机决定的
4 b+ o& W, l, L7 d+ v* Z4 S◆ 训练或预测时每棵树都能平行化的运行

& s; n0 @* D, R* z9 ]& t, dRandom Forest的缺点： **
, \" V; c' T4 l4 B2 }**◆ 当随机森林中的决策树个数很多时，训练时需要的空间和时间会比较大

五、极限梯度提升(eXtreme Gradient Boosting, XGBoost)
" _8 ~2 a+ J+ ]! H& \; a* F/ q其实会想写这篇文章，是因为在使用Kaggle资料做练习时，发现网站上有需多人使用XGBClassifier做分类预测，因此想进一步了解这个模型。

XGBoost的两个主要概念：

4 q* _- J6 U7 k" B% m3 u1. 回归树(Classification and Regression Tree, CART)
回归树拥有和决策树一样的分支方式，并在各个叶端(Leaf)有一个预测分数(Prediction Score)，且回归树是可以做集成的，也就是把资料丢到所有树中，把得到的预测分数加总。
, D+ M8 j! B, b. q( m3 o8 M" F0 H
  e9 t& S+ d0 m* U/ ^9 T2. 梯度提升
先以常数作为预测，在之后每次预测时新加入一个学习参数，要找出最佳参数，是在每次迭代中，使用贪婪演算法计算Gain，并找出最佳分支做新增，并对负Gain的分支做删减(详细请参考文章1说明)。换句话说，就是「希望后面生成的树，能够修正前面一棵树犯错的地方」。

Random Forest 和XGBoost 差异如下图例：
Random Forest是由多个决策树所组成，但最终分类结果并未经过加权平均；而XGBoost是由连续的决策树所建构，从错误的分类中学习，并在后续的决策树中增加更高的权重。
: q: E0 {; w4 p* c3 E
; Q$ \3 l1 \9 Z& J2 a9 r1 uRandom Forest and XGBoost Difference (Reference: 參考文章3)

XGBoost的优点：
◆ 在损失函数中加入正则项，控制模型的复杂度，防止过拟合现象
◆ 在每次迭代后，会将叶子节点的权重乘上该系数，来削弱每棵树的影响
7 s4 ~7 ~& l! F3 A+ d5 H5 ^# a
  i8 Y3 H9 t1 e5 yXGBoost的缺点： **
**◆ 空间复杂度过高，需要储存特征值和特征对应样本的梯度统计值
————————————————
; E& b; I9 Q* Z" M! ^! r版权声明：本文为CSDN博主「wuxiaopengnihao1」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/wuxiaopengnihao1/article/details/126686410
" X% d" l7 A. y

+ |+ Q6 }9 z9 I