adaboost算法

Posted 2020-07-20 林多

基本概念

Adaboost算法，将多个弱分类器，组合成强分类器。
AdaBoost，是英文"Adaptive Boosting"（自适应增强）的缩写，由Yoav Freund和Robert Schapire在1995年提出。
它的自适应在于：前一个弱分类器分错的样本的权值（样本对应的权值）会得到加强，权值更新后的样本再次被用来训练下一个新的弱分类器。在每轮训练中，用总体（样本总体）训练新的弱分类器，产生新的样本权值、该弱分类器的话语权，一直迭代直到达到预定的错误率或达到指定的最大迭代次数。
总体——样本——个体三者间的关系需要搞清除
总体N。样本：｛ni｝i从1到M。个体：如n1=（1,2），样本n1中有两个个体。

优点：
（1）精度很高的分类器。
（2）提供的是框架，可以使用各种方法构建弱分类器。
（3）简单，不需要做特征筛选。
（4）不用担心过度拟合。
实际应用：
（1）用于二分类或多分类。
（2）特征选择
（3）分类人物的baseline。

算法原理：

（1）初始化训练数据（每个样本）的权值分布：如果有N个样本，则每一个训练的样本点最开始时都被赋予相同的权重：1/N。
（2）训练弱分类器。具体训练过程中，如果某个样本已经被准确地分类，那么在构造下一个训练集中，它的权重就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。同时，得到弱分类器对应的话语权。然后，更新权值后的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
（3）将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后，分类误差率小的弱分类器的话语权较大，其在最终的分类函数中起着较大的决定作用，而分类误差率大的弱分类器的话语权较小，其在最终的分类函数中起着较小的决定作用。换言之，误差率低的弱分类器在最终分类器中占的比例较大，反之较小。

算法流程：

第一步：
初始化训练数据（每个样本）的权值分布。每一个训练样本，初始化时赋予同样的权值w=1/N。N为样本总数。

D1表示，第一次迭代每个样本的权值。w11表示，第1次迭代时的第一个样本的权值。
N为样本总数。
第二步：进行多次迭代，m=1，2…M。m表示迭代次数。
a)使用具有权值分布Dm（m=1,2,3…N)的训练样本集进行学习，得到弱的分类器。

该式子表示，第m次迭代时的弱分类器，将样本x要么分类成-1，要么分类成1.那么根据什么准则得到弱分类器？
准则：该弱分类器的误差函数最小，也就是分错的样本对应的 权值之和，最小。

b)计算弱分类器Gm（x）的话语权，话语权am表示Gm（x）在最终分类器中的重要程度。其中em，为上步中的εm（误差函数的值）

该式是随em减小而增大。即误差率小的分类器，在最终分类器的 重要程度大。
c）更新训练样本集的权值分布。用于下一轮迭代。其中，被误分的样本的权值会增大，被正确分的权值减小。

Dm+1是用于下次迭代时样本的权值，Wm+1,i是下一次迭代时，第i个样本的权值。
其中，yi代表第i个样本对应的类别（1或-1），Gm（xi）表示弱分类器对样本xi的分类（1或-1）。若果分对，yi*Gm（xi）的值为1，反之为-1。其中Zm是归一化因子，使得所有样本对应的权值之和为1.

该公式并不难，仔细看看、想想。
第三步迭代完成后，组合弱分类器。
首先，
然后，加个sign函数，该函数用于求数值的正负。数值大于0，为1。小于0，为-1.等于0，为0.得到最终的强分类器G（x）

额外（关于权值、话语权、弱分类器准则的公式，想深入了解的可以看看。使用的话，知道上面的内容已经足够）
利用前向分布加法模型（简单说，就是把一起求n个问题，转化为每次求1个问题，再其基础上，求下一个问题，如此迭代n次），adaboost算法可以看成，求式子的最小。tn时样本n对应的正确分类，fm是前m个分类器的结合（这里乘了1/2，因为博主看的文章的am是1/2log(~~)，这个无所谓，无非是多个1/2少个1/2。


然后，假设前m-1个相关的参数已经确定。通过化简E这个式子，我们可以得到：

其中，是一个常量。

然后，

其中，Tm是分类正确的样本的权值，Mm是分类错误的样本的权值。式子不算难，自己多看几遍就能理解了。
到现在，可以看出，最小化E，其实就是最小化

这个式子是什么？看看前面，这个就是找弱分类器时的准则！
然后得到了弱分类器ym后，我们可以进推导出am和样本的权值。这里给出am的推导过程（手写的，字很烂）其中，ε是
该图中，最右边的是“+exp（-am/2)*1”，写得太乱（—_—)

最后求出来的am没有1/2,这个无所谓。因为这里定义fm是多乘了个1/2。

实现（Python2.7)

adaBoost.py：adaboos算法实现。

# coding: UTF-8
from __future__ import division
import numpy as np
import scipy as sp
from weakclassify import WEAKC
from sign import *
class ADABC:
	def __init__(self,X,y,Weaker=WEAKC):
		'''
                        x是一个N*M的矩阵
			Weaker是一个弱分类器的类
			It should have a train(self.W) method pass the weight parameter to train
			需要调用~~~方法，去训练权值参数
			pred(test_set) method which return y formed by 1 or -1
			~~~方法，返回y（y的值为-1或1）
			 <统计学习方法>
		'''
                ###初始化数据
		##X是样本点
		self.X=np.array(X)
		##列优先排列 Y是样本对应的类别 排成一个行向量
		self.y=np.array(y).flatten(1)
		#判断数据维度的列数是否一样（数据是否对应)
		assert self.X.shape[1]==self.y.size
                #弱分类器
		self.Weaker=Weaker
		self.sums=np.zeros(self.y.shape)
		#初始化权值 每个样本的权值为 1/样本数
		self.W=np.ones((self.X.shape[1],1)).flatten(1)/self.X.shape[1]
		self.Q=0
		#print self.W
	def train(self,M=4):
		'''
			M 是最大类别（第M个）弱分类器的下标，其实就是迭代的次数，
		'''
		#初始化弱分类器字典（空）
		self.G={}
		#弱分类器的话语权
		self.alpha={}
		for i in range(M):
			self.G.setdefault(i)  #{0:none,...i:None}
			self.alpha.setdefault(i)#0:none,...i:None}
		for i in range(M):
                        #用样本初始化弱分类器
			self.G[i]=self.Weaker(self.X,self.y)
			#调用train方法，训练弱分类器，同时计算最小误差率
			e=self.G[i].train(self.W)
			#print self.G[i].t_val,self.G[i].t_b,e
			#计算弱分类器Gi的话语权（根据公式)
			self.alpha[i]=1/2*np.log((1-e)/e)
			#print self.alpha[i]
			#计算弱分类器Gi对样本的分类结果
			sg=self.G[i].pred(self.X)
			#计算归一化因子（计算样本权值时，保证权值之和为1）
			Z=self.W*np.exp(-self.alpha[i]*self.y*sg.transpose())
			#更新样本的权值
			self.W=(Z/Z.sum()).flatten(1)
			#记录迭代次数（从0开始)
			self.Q=i
			#print self.finalclassifer(i),'==========='
			#判断组合起来的强分类器的效果，如果没有错分，不在迭代
			if self.finalclassifer(i)==0:

				print i+1," weak classifier is enough to  make the error to 0"
				break
	def finalclassifer(self,t):
		'''
			将第1个到第t个弱分类器组合起来（跟踪adaboost强分类器组合公式)
		'''
		#组合成强分类器，并直接计算出其对样本的分类结果（没有用sing函数计算前）
		self.sums=self.sums+self.G[t].pred(self.X).flatten(1)*self.alpha[t]
		#print self.sums
		#用sign对分类器计算出的值进行判别
		pre_y=sign(self.sums)
		#sums=np.zeros(self.y.shape)
		#for i in range(t+1):
		#	sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i]
		#	print sums
		#pre_y=sign(sums)
		#对分类结果计算对比，统计不相同个数，如果全分对则为0
		t=(pre_y!=self.y).sum()
		return t
		
	def pred(self,test_set):
		test_set=np.array(test_set)
		#判断数据大小是否一样
		assert test_set.shape[0]==self.X.shape[0]
		sums=np.zeros((test_set.shape[1],1)).flatten(1)
                #计算分类器训练样本的结果
		for i in range(self.Q+1):
			sums=sums+self.G[i].pred(test_set).flatten(1)*self.alpha[i]
			print sums
		#用sign函数判断类别
		pre_y=sign(sums)
		return pre_y

adaboost_test.py:测试adaboost算法

# coding: UTF-8
from __future__ import division
import numpy as np
import scipy as sp

from adaBoost import ADABC
from weakclassify import WEAKC
'''
 Example 0:
 this example is from the <统计学习方法>
'''
'''


X = np.array([0,1,2,3,4,5,6,7,8,9]).reshape(1,-1)
y = np.array([1,1,1,-1,-1,-1,1,1,1,-1]).transpose()
a= ADABC(X,y)
a.train(5)

'''

'''
Example 1:
this is example for 2 dimension
'''
X=np.array([
[0.55,4.4],
[1.1,2.8],
[1.85,1.95],
[3.15,1.7],
[4,2.7],
[3.75,3.95],
[2.8,4.4],
[2.35,3.2],
[3.05,2.25],
[3.55,2.6],
[3.1,3],
[3,3.4],
[1,7.3],
[1.4,6.7],
[3.05,6.9],
[4.3,7.15],
[4.75,7],
[5.5,5.85],
[5.95,4.75],
[6.45,3.15],
[6.5,1.35],
[6.3,0.95],
[5.95,0.85],
[5.95,1.6],
[5.85,2.75],
[5.65,4],
[5.35,5.25],
[5,6.15],
[4.7,6.3],
[3.85,6.5],
[2.55,6.55],
[1.4,6.65],
[0.6,6.75],
[0.6,6.85],
[5.35,0.9]]).transpose()


y=np.array([
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[-1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1],
[1]]).transpose()
a= ADABC(X,y)
a.train(5)
print a.pred([[0.55,1.1,5.35],
[4.4,2.8,0.9]])

其余的两个模块如下：
**weakclassify.py：**弱分类器

# coding: UTF-8
from __future__ import division
import numpy as np
import scipy as sp

class WEAKC:
	def __init__(self,X,y):
		'''
			X is a N*M matrix
			y is a length M vector
			M is the number of traincase
			this weak classifier is a decision Stump
			it's just a basic example from <统计学习方法>
		'''
		self.X=np.array(X)
		self.y=np.array(y)
		self.N=self.X.shape[0]
	def train(self,W,steps=100):
		'''
			W is a N length vector
		'''
		#print W
		min = 100000000000.0
		t_val=0;
		t_point=0;
		t_b=0;
		self.W=np.array(W)
		for i in range(self.N):
			q ,err = self.findmin(i,1,steps)
			if (err<min):
				min = err
				t_val = q
				t_point = i
				t_b = 1
		for i in range(self.N):
			q ,err = self.findmin(i,-1,steps)
			if (err<min):
				min = err
				t_val = q
				t_point = i
				t_b = -1
		self.t_val=t_val
		self.t_point=t_point
		self.t_b=t_b
		print self.t_val,self.t_point,self.t_b
		return min
	def findmin(self,i,b,steps):
		t = 0
		now = self.predintrain(self.X,i,t,b).transpose()
		err = np.sum((now!=self.y)*self.W)
		#print now
		pgd=0
		buttom=np.min(self.X[i,:])
		up=np.max(self.X[i,:])
		mins=1000000;
		minst=0
		st=(up-buttom)/steps
		for t in np.arange(buttom,up,st):
			now = self.predintrain(self.X,i,t,b).transpose()
			#print now.shape,self.W.shape,(now!=self.y).shape,self.y.shape
			err = np.sum((now!=self.y)*self.W)
			if err<mins:
				mins=err
				minst=t
		return minst,mins
	def predintrain(self,test_set,i,t,b):
		test_set=np.array(test_set).reshape(self.N,-1)
		gt = np.ones((np.array(test_set).shape[1],1))
		#print np.array(test_set[i,:]*b)<t*b
		gt[test_set[i,:]*b<t*b]=-1
		return gt

	def pred(self,test_set):
		test_set=np.array(test_set).reshape(self.N,-1)
		t = np.ones((np.array(test_set).shape[1],1))
		t[test_set[self.t_point,:]*self.t_b<self.t_val*self.t_b]=-1
		return t
	

sign.py:sign函数

import numpy as np
import scipy as sp
import warnings
#np.seterr(all='raise')
def sign(x):
	#print x,'========='
	#print "======================="
	q=np.zeros(np.array(x).shape)
	q[x>=0]=1
	q[x<0]=-1
	return q

实验结果：得到了4个 弱分类器，4个弱分类器组合后，分类错误率为0。
如：3.763 0 1 表示，一条在x等于3.763的位置的 直线（弱分类器），0表示3.763在x轴上，1表示大于3.763为类别1，小于为类别-1.
虾米的4行三列的数据，用训练后的4的个弱分类器，求三个测试样本的 值。最后 的-1，-1,1。是将其组合成强分类器后，判断得到的 样本分类。

个人见解，难免有疏漏，欢迎讨论。