Blending and Bagging

目录(?)[+]

第七讲：Blending and Bagging

1、Motivation of Aggregation（融合的动机）

恰当的融合可以得到更好的表现

2、Uniform Blending(平均融合)

分类

回归

理论分析：

    所有误差g的平均  >=  平均的误差G

    但是最好的误差g是否比平均的误差G不知道。

演算法的平均表现 = 个别与共识的差距(variance) + 共识的表现(bias)

平均的过程：消除个别与共识的差距，从而得到更稳定的表现

3、Linear Blending(线性融合)

线性融合  = 线性模型 + g当作转换 +条件（a>=0）

条件（a>=0）这一项可以去除，当a<=0时表示这一项起反效果。

Linear Blending在Selection时候:

应该通过 E_val而不是E_in；

相应的在D_val上验证的模型应该是g^-而不是g。(若是选择g，因为这些model在D_data上训练，D_data=D_train+D_val，所以相当于见过D_val，可能会过拟合)

linear Blending 和 any Blending OR Stacking(non-linear):

通过在D_train上训练一批模型g^-，然后在D_val上验证找出最好的alpha，但是最后返回的模型是alpha和g。

例举了台大在2011 KDDCup通过Blending拿到冠军的故事，说明Blending确实很有效如果不惜计算量的话。

4、Bagging(Bootstrap Aggregation)

blending:在得到g后融合。

learning:一边学到g一边融合起来

g是如何得到的呢？

模型的不同、参数的不同、算法随机性的不同、数据随机性的不同

很多g的共识比单一g好，但是手上没有大量的数据产生不同的g。

boostrapping的思想:从手上有限的数据模拟出不同的数据。

boostrapping:从N个数据中有放回随机采样N(或少于N)次，每次采样1个样本。意味着同一个数据可能被采样多次。

boostrap aggregation(BAGging):建立在base算法上的meta算法。

例子：由25条Bagging Pocket产生的线融合得到的一个效果还可以的分类线。

如果base算法对数据随机性敏感的话，Bagging 会得到不错的效果。

练习：boostrap过程有N^N情形产生，里面有N！种会是原来数据的排列组合