Не так давно получил распространение термин «большие данные», обозначивший новую прикладную область — поиск способов автоматического быстрого анализа огромных объёмов разнородной информации. Наука о больших данных ещё только оформляется, но уже сейчас она очень востребована — и в будущем будет востребована только больше. С её помощью можно решать невероятные задачи: оценивать состояние печени по кардиограмме, предсказывать зарплату по описанию вакансии, предлагать пользователю музыку на основании его анкеты в интернете. Большими данными может оказаться что угодно: результаты научных экспериментов, логи банковских транзакций, метеорологические наблюдения, профили в социальных сетях — словом, всё, что может быть полезно проанализировать. Самым перспективным подходом к анализу больших данных считается применение машинного обучения — набора методов, благодаря которым компьютер может находить в массивах изначально неизвестные взаимосвязи и закономерности. На факультете компьютерных наук ВШЭ и в Школе анализа данных есть люди, активно использующие машинное обучение и разрабатывающие новые подходы к нему. Именно они — преподаватели этого курса. Вы изучите основные типы задач, решаемых с помощью машинного обучения — в основном речь пойдёт о классификации, регрессии и кластеризации. Узнаете об основных методах машинного обучения и их особенностях, научитесь оценивать качество моделей — и решать, подходит ли модель для решения конкретной задачи. Наконец, познакомитесь с современными библиотеками, в которых реализованы обсуждаемые модели и методы оценки их качества. Для работы мы будем использовать реальные данные из реальных задач. Краткая программа курса: Неделя 1. Введение. Примеры задач. Логические методы: решающие деревья и решающие леса. Неделя 2. Метрические методы классификации. Линейные методы, стохастический градиент. Неделя 3. Метод опорных векторов (SVM). Логистическая регрессия. Метрики качества классификации. Неделя 4. Линейная регрессия. Понижение размерности, метод главных компонент. Неделя 5. Композиции алгоритмов, градиентный бустинг. Нейронные сети. Неделя 6. Кластеризация и визуализация. Частичное обучение. Неделя 7. Прикладные задачи анализа данных: постановки и методы решения. Слушателю нужно знать об основных понятиях математики: функциях, производных, векторах, матрицах. Для выполнения практических заданий потребуются базовые навыки программирования. Очень желательно знать Python. Задания рассчитаны на использование этого языка и его библиотек numpy, pandas и scikit-learn. Чтобы успешно завершить курс, нужно набрать проходную сумму баллов за тесты и практические задания, а также выполнить финальный проект, посвящённый решению прикладной задачи анализа данных. Мы уверены, что этот курс будет полезен каждому, кто хочет постичь искусство предсказательного моделирования и освоить интеллектуальный анализ данных.
Бэггинг и случайный лес
Loading...
Из курса от партнера National Research University Higher School of Economics
Введение в машинное обучение
1789 оценки
Explore Related Videos
At Coursera, you will find the best lectures in the world. Here are some of our personalized recommendations for you
Из урока
Композиции алгоритмов
Объединение большого числа моделей в композицию может значительно улучшить итоговое качество за счет того, что отдельные модели будут исправлять ошибки друг друга. В этом модуле мы обсудим основные понятия и постановки задач, связанные с композициями, и обсудим один из наиболее распространенных способов их построения — градиентный бустинг.
Познакомьтесь с преподавателями
Константин Вячеславович ВоронцовПрофессор
Факультет компьютерных наук НИУ ВШЭ, Школа анализа данных Яндекса
Evgeny SokolovSenior Lecturer
HSE Faculty of Computer Science
[ЗАСТАВКА] В
машинном обучении нередки ситуации,
когда мы строим классификатор, он не удовлетворяет нас по качеству,
мы пытаемся строить другой, второй, третий — все они оказываются не очень удачными.
Возникает вопрос: можем ли мы из большого числа слабых классификаторов
каким-то образом получить один агрегированный классификатор,
который будет работать лучше?
Рассмотрим такую постановку задачи: у нас имеется, как обычно, обучающая выборка.
Объекты и соответствующие им ответы — это метки классов (+/−1).
И мы построили некоторое количество базовых классификаторов — T.
Простым голосованием называется такой классификатор,
который относит объект x к тому классу,
к которому его отнесли большинство базовых классификаторов.
Это, наверное, самый простой способ агрегирования, и он,
конечно же, имеет прямую аналогию в измерении физических величин,
когда мы одну и ту же величину измеряем многократно.
Если эти измерения независимы, то точность усредненного измерения
будет повышаться с увеличением числа измерений.
Что-то похожее происходит и в данном случае, только мы не можем, конечно же,
говорить, что базовые алгоритмы являются независимыми случайными величинами,
поскольку все они настраиваются на решение одной и той же задачи.
Но все же у нас есть немало инструментов для повышения
различности базовых алгоритмов.
Вот чтобы у нас простое голосование работало и улучшало качество,
базовые алгоритмы должны быть, с одной стороны, не слишком плохие,
хотя бы немножко лучше, чем случайное гадание, и они должны быть различны.
Повышать различность можно путем обучения базовых алгоритмов по разным
случайным подвыборкам, можно обучать их по одной и той же выборке,
но случайным образом менять веса обучающих объектов,
можно обучать их по случайным подмножествам признаков,
можно использовать различные модели классификации, различные начальные
приближения, или рандомизировать сам процесс обучения базовых алгоритмов.
Рассмотрим один из самых известных методов повышения различности базовых алгоритмов.
В этом методе базовые алгоритмы обучаются независимо друг от друга по
случайным подвыборкам.
Метод называется бэггинг — это искусственное слово,
образованное от слов bootstrap aggregation.
А bootsrap в статистике — это такой способ формирования выборки,
когда выбирается ровно столько же объектов, сколько их исходно было,
но объекты выбираются с повторениями.
То есть, как только вы выбрали случайный объект,
вы его возвращаете обратно и можете выбрать его повторно.
И при этом число объектов, которое вы выберете в выборку,
оно будет составлять примерно 63 % от исходной выборки,
и оставшаяся доля объектов ни разу не попадет в такую сэмплированную выборку.
И вот по таким случайным подвыборкам, в которых некоторые объекты будут
по несколько раз, но объем этой выборки равен объему исходной выборки,
и предлагается обучать базовые алгоритмы.
Они будут обучаться совершенно независимо друг от друга — это некое преимущество,
которое позволяет легко распараллеливать этот метод.
Есть другой подход, который называется метод случайных подпространств.
Вы выбираете некоторое число n' — сколько признаков вы будете
отбирать из числа исходных n признаков, и по полученным случайным
подпространствам опять-таки можете строить базовый классификатор,
причем нет никаких ограничений на использование тех или
иных моделей классификаций в качестве базовых классификаторов.
Эти два подхода можно совместить в одном алгоритме.
Допустим, у нас имеется n признаков и некий метод обучения,
который способен обучиться по подвыборке, используя только подмножество признаков.
То есть J — это подмножество признаков, а U — это подвыборка.
Алгоритм очень простой, он заключается в том,
что вы, задавшись длиной обучающих подвыборок,
длиной признаковых подописаний и двумя порогами ε1 и ε2,
делаете следующую работу: вы T раз обучаете
базовый алгоритм по выбранному случайному
подмножеству заданной длины l' на выбранном случайном подмножестве
признаков из n' штук и получаете алгоритм bt.
Но беда в том, что этот алгоритм может оказаться и неудачным,
и вы используете как раз 2 порога, для того чтобы оценить, достаточно ли
хорош этот алгоритм получился на обучающей выборке — за это отвечает порог ε1.
Но если вы обучение делали лишь по части обучающих объектов,
как это происходит в бэггинге, то тогда на оставшейся части объектов вы
можете посмотреть, обладает ли построенный базовый алгоритм обобщающей способностью.
Если она недостаточно высока, то вы не будете брать этот базовый алгоритм в
композицию, вы его просто выкинете и будете строить следующий.
То есть, таким образом получается, что у нас есть 4 параметра в этом алгоритме,
с помощью которых можно управлять качеством базовых алгоритмов.
Ну и как только вы их построили,
вы их объединяете с помощью простого голосования в композицию.
Развитием этой идеи стал метод,
который получил название случайного леса.
Это специальный случай бэггинга, когда в качестве базового
семейства используются решающие деревья,
при этом, в отличие от обычных способов построения решающих деревьев,
вы здесь не используете усечение (или pruning).
Вообще, метод настроен на то, чтобы построить композицию как можно быстрее,
чтобы можно было строить композиции по большим выборкам данных.
Дальше построение дерева тоже производится весьма специфическим образом.
Когда вы выбираете признак для каждого внутреннего узла в этом решающем дереве,
вы его выбираете не из всего множества n признаков,
а из какого-то случайного подмножества, состоящего из k признаков.
Причем, если дерево строится для классификаций,
то рекомендуется брать k, равном корню квадратному из числа признаков,
а если для регрессии — то число признаков делить на 3.
Это эмпирические рекомендации.
Вот, оказывается, что если таким образом строить бэггинг
над решающими деревьями, мы получим большое количество решающих деревьев,
их простое голосование как раз и называется случайным лесом.
Оказалось, что этот алгоритм чрезвычайно эффективен, и он очень быстро
обучается и очень хорошо решает практические задачи — вот как ни странно,
несмотря на то, что столько было внесено случайности в процесс
построения решающего леса, тем не менее, вот оказывается,
что простое голосование делает из этих неточных, не очень хорошо построенных
деревьев очень хороший агрегированный алгоритм классификации.
Есть еще несколько моментов, которые хотелось бы уточнить про этот алгоритм.
Как понять, что мы должны остановиться,
что нам достаточно данного числа деревьев?
Вот обычно за оптимизацию такого рода структурных параметров
отвечают критерии типа скользящего контроля.
Что хорошо в случайном лесе?
То, что мы можем для каждого объекта оставить
те алгоритмы из числа базовых классификаторов, которые не
обучались на этом объекте, этот объект не входил в состав обучающей выборки для них.
И вот такая оценка, которая произведена...
для каждого объекта произведена только по тем базовым алгоритмам,
которые на нем не обучались, она обладает очень хорошими статистическими свойствами.
Она является несмещенной оценкой обобщающей способности полученной
композиции и называется out-of-bag, то есть использование тех объектов,
которые не входили в состав обучающей выборки для каждого базового алгоритма.
И вот эта вот оценка, поскольку она характеризует обобщающую способность,
она очень удобна для того, чтобы выбирать число деревьев, и не только для этого —
разные параметры можно оптимизировать по этой оценке, ну вот, в частности,
параметр k можно оптимизировать и подобрать лучший под данную задачу.
Также эта оценка может быть использована для того,
чтобы оценивать важности признаков.
Есть разные методики, одна из них заключается в том,
чтобы по построенному дереву определить,
какой признак самый полезный.
Если вы перемешиваете случайным образом
значения признаков на объектах обучающей выборки и видите,
что это сильно ухудшает оценку out-of-bag, значит, этот признак полезный.
Итак, резюмируем.
Random Forest или «случайный лес» — это один из самых сильных методов
машинного обучения.
Он основан на бэггинге — на способе построения композиций классификаторов,
при котором классификаторы обучаются независимо друг от друга.
Это позволяет легко распараллеливать этот метод,
и далее используется простое голосование.
Бэггинг хорош еще и тем, что он позволяет
вычислять оценки обобщающей способности (out-of-bag),
использовать их для того, чтобы оптимизировать число базовых алгоритмов,
оценивать степени важности признаков, подбирать параметры модели.
Но, тем не менее, Random Forest все же при решении практических задач обычно
немного уступает другому композиционному методу, который называется
градиентный бустинг и который мы рассмотрим в следующий раз.
[ЗАСТАВКА]
Ознакомьтесь с нашим каталогом
Присоединяйтесь бесплатно и получайте персонализированные рекомендации, обновления и предложения.
Coursera делает лучшее в мире образование доступным каждому, предлагая онлайн-курсы от ведущих университетов и организаций.
© Coursera Inc., 2019 Все права защищены.
