Python机器学习-多元分类的5种模型

杨利霞

Python机器学习-多元分类的5种模型

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！
7 N6 H1 F- Q1 V: Z( v
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」。
# T- b; G/ B: H8 v
' Z2 j0 h! N0 a- {9 P7 H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)。

+ R& d# |0 R6 y, I- t9 K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)。

: v4 }; x, @. D2 _这篇文章会以监督式学习中的分类模型为主。

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%。
+ `+ y) E! c7 p
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。
" o" t) m$ C6 Z4 R4 ]
若需处理多元分类问题，有两种方法：
0 f2 L4 H- Y- R1. 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。

5 X8 l7 ?; x' QOne versus Rest Example (Source from Internet)

2. 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。

One versus One Example (Source from Internet)

# _+ l# l3 n/ P0 N5 u% `Logistic Regression的优点：
◆ 资料线性可分(包含在高维度空间找到linear plane)
+ R: q- P* y) f; ?; _/ M0 o9 K, @◆ 除了分类，也可以得到A/B两类的机率
◆ 执行速度较快

4 \# ~; b. a: C, o' v3 RLogistic Regression的缺点：
/ H( d6 Z+ h/ v' f◆ 线性回归线的切法可能不够漂亮
: A! p  U7 S& r- l" H6 @◆ 不能很好地处理大量、多类特征

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)。
9 e/ `! ~9 o! Z6 V# W: G4 P0 c
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。
; d: R/ S' Y' B  A( Q% l1 L) e
1 M) i* i5 k+ y$ wSupport Vector Machine Example (Source from Internet)
' j8 q2 F7 N* {; G  Q0 B! m
# n9 e' l7 G, s6 jSVM的优点：
% K5 V; ^. Y- o" F◆ 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)
! h3 p( V' k; I% `8 t◆ 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

SVM的缺点：
0 ?1 V% {6 ^8 i/ {/ x◆ 当资料太多时，所需的训练时间太长，而使效果不佳
◆ 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
◆ SVM不会直接提供机率的估计值

$ [( u! T; z# u三、决策树(Decision Tree)
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。

1 |5 m7 k, ]2 q8 Y1 c. I- @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。

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。

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。

  K1 U3 n! `5 {" l( g' UDecision Tree的优点：
5 n* W/ b. _# [◆ 决策树容易理解和解释
( E3 m3 M4 l- n2 m& S8 r! T8 H0 a, }◆ 资料分类不需要太多的计算
( [8 z4 R/ U  x1 r5 n+ H◆ 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)
0 O: Y6 N; k% d$ Y. U7 e/ r◆ 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

' D5 Z7 K, D4 y4 N5 j+ R( cDecision Tree的缺点： **
**◆ 容易过度拟合(Over-fitting)
# R$ j  @8 n: k+ H8 `" o" F4 K◆ 若类别太多，但资料量太少，效果比较差

5 g9 ?, p. j1 F* C( d四、随机森林(Random Forest)
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。
1 R* U( a$ o. O1 ]* n9 f2 ^
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。

& z  @/ v5 R* `7 h2 c2 K% }Random Forest Example (Source from Internet)
" I+ N8 Q4 `  J8 V9 f. p
# Q/ q) `& ]  E) b" j+ ORandom Forest的优点：
◆ 随机森林的决策树够多，分类器就不会过拟合
◆ 每棵树会用到的资料和特征是随机决定的
1 o% u! [" z4 Q0 e1 b◆ 训练或预测时每棵树都能平行化的运行

Random Forest的缺点： **
- P: I. h+ ?( Z4 I. [**◆ 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
! R8 r; r/ L' d
2 ]3 g, ~% V8 E五、极限梯度提升(eXtreme Gradient Boosting, XGBoost)
8 n" k$ ~+ N* A. E1 ?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：

1. 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。
! ?- _5 `: T" H, y
0 N+ @  U3 U; S  B2. 梯度提升
: B4 }  X2 C. m, S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」。

& l. k8 u" Q6 O6 O( d# d* F  QRandom 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。

Random Forest and XGBoost Difference (Reference: 參考文章3)

  A; c! l4 M% F$ H* A% mXGBoost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
, Q  O# `) g- |- h" @◆ 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
+ D/ r  b: L3 o' ?& X$ Y
XGBoost的缺点： **
, D1 O. s2 \& Z% U) N**◆ 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
————————————————
8 _& ~0 d& T1 P8 O* n: q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。
% L8 d7 V$ ?( W原文链接：https://blog.csdn.net/wuxiaopengnihao1/article/details/126686410
! z  b2 p9 u+ G
% \% @3 x- n# I2 X+ k& q
6 G: z+ n6 O+ e! w. X7 v