Boosting vs Bagging? 別再胡亂用了!
許多初接觸數據科學的朋友心裡都有一個疑問：什麼時候應該使用XGBoost或隨機森林這樣的模型？有些朋友也可能被面試官考問如何區分Boosting跟Bagging這種問題。無論您是否有這痛苦的經歷，懂得區分兩者的分別也是十分重要的，尤其在我們選擇那一個預測模型。在了解Boosting跟Bagging之前，首先需要瞭解Bias和Varaince的概念。如果讀者們沒有聽說過，筆者建議您在我的舊文先了解一下。
首先，Boosting跟Bagging都屬於Ensemble Method，原理將數個基礎模型(Base Model) 放在一起，給出更準確的結果，展示出團結就是力量。以Random Forest Classifier (隨機森林分類器)為例，它的基本模型應該是(Decision Tree Classifier)決策樹分類器，我們也稱之為"弱分類器 (Weak Classifier)"。在大多的情況下，Boosting或者Bagging模型表現都勝於單個模型，不過我們還是需要知道哪時候使用，才不會白費功夫。
我們先談談袋裝， 因為它比Boosting原理更直觀和容易理解。Bagging全名為Bootstrapping Aggregatingm，當中的Bootstrap 是根據 N 個 Data Point，用隨機抽樣的方式，從N個抽出K個Data Point，並建立一組又一組的樣本，然後Weak Learner可以從建立好的樣本中進行學習。
隨機森林就是一個典型Bagging的例子。而決策樹扮演著Weak Learner的角色。如果您對決策樹沒有任何瞭解，下面是建議的閱讀（TODO：URL）。訓練數據會被隨機抽樣，抽出部分的紀錄和部分的特徵，建立一組組的樣本，而每棵樹便會學習對的樣本，這些獨立學習好的樹，都會產出一個預測結果，取平均值，便是一個綜合的預測結果。現在，你可能知道為什麼它會被稱之為"隨機"和"森林"。實際上，其原理是使每一個基礎模型學習方法都是相互獨立，以儘可能減少 Variance，但同時也犧牲Bias。簡單地說，Bagging主要用作來解決Overfitting的問題。
至於Boosting，您可能會發現與Bagging非常相似，也是一樣建立多個Weak Learners和然後集思廣益， 讀者們現在應該滿腦子黑人問號，但不用擔心，當你知道它的學習機制，所有謎底都會被解開。Boosting的學習特式是借由這些Weak Learner，向著前人(Previous Weak Learner)進行學習取經，而不是一味獨家村的閉門造車。
具體來說，第一個Weak Learner也即是開荒牛，會學習訓練集並計算出當中的錯誤，例如平均絕對錯誤 （MAE）。然後，第二個Weak Learner從它的錯誤中學習，吸收教訓以修正前人的錯誤，直到最後一個Weak Learner完成學習，便為之一個Iteration，重覆N次Iteration便完成整個訓練過程。
通常，具有較好表現的Base Model被分配更高的weighting，在預測結果上較有話語權。較有名的如XGBoost，Adaboost也有各自不同的演算法來確定這些weighting的多少。由此看見，每個Base Model都不是以並行方式學習，而是從上一個模型的錯誤中吸取教訓，所以能夠非常準確的預測，亦歸因於它的誕生是為了減少Bias。然而，副作用是會得較高的Variance會增加，所以筆者使用Boosting 時會格外注意會否出現Overfitting。
啊...我的預測模型表現很差
一般來說，有兩個原因導致Model Performance不佳，一是Input Variable對Target Variable是不可預測，好像你用身高來預測一個人會否便袐；另一個原因是你的模型面臨著Underfit的問題。如果是因為後者， 您還會用Bagging來解決這個問題嗎？當然不應該！Underfit意味高Bias和低Variance。如筆者的舊文所述，這是Bias和Variance之間的取捨，魚與熊掌不可兼得。要解決Underfit，應利用Boosting通過減少Bias，從而提高整體的預測能力。
為何 Ensemble methods這麼受歡迎？
Ensemble methods已變得相當普遍，解決了許多分類和回歸相關的問題。在 Kaggle 中，幾乎在每一個比賽中都看見Boosting的出現，除了由於它自身的預測能力十分強大，因為Kaggle的比賽只看預測能力，愈準愈好，也間接令Ensemble methods大為流行。當然，凡事都有例外。在Kaggle其中一個比賽中，Don't Overfit! II，Boosting立馬廢掉，哈哈！
另外，隨著時間的發展，學者們都研究出各式各樣的技術來解釋模型，尤其是判斷Input Variables如果影響結果的輸入。使這些結構複雜的模型不再是一個Black Box了，向老闆們展示解釋模型結果的時候，不用被當作外星人了！
Comments
Post a Comment