机器学习——AdaBoost元算法
Posted tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了机器学习——AdaBoost元算法相关的知识，希望对你有一定的参考价值。
当做重要决定时，我们可能会考虑吸取多个专家而不只是一个人的意见。机器学习处理问题也是这样，这就是元算法（meta-algorithm）背后的思路。
元算法是对其他算法进行组合的一种方式，其中最流行的一种算法就是AdaBoost算法。某些人认为AdaBoost是最好的监督学习的方法，所以该方法是机器学习工具箱中最强有力的工具之一。
集成学习或者元算法的一般结构是：先产生一组“个体学习器”，再用某种策略将他们结合起来。个体学习器通常是由一个现有的学习算法从训练数据产生。
根据个体学习器的生成方式，目前的集成学习方法大致可分为两大类，即
1.个体学习器间存在强依赖关系、必须串行生成的序列化方法，典型的代表是Boosting，其中AdaBoost就是Boosting的最流行的一个版本
2.个体学习器间不存在强依赖关系、可同时生成的并行化方法，典型的代表是Bagging和“随机森林”（Random Forest）
AdaBoost
优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整
缺点：对离群点敏感
使用数据类型：数值型和标称型数据
bagging：基于数据随机重抽样的分类器构建方法
自举汇聚法（bootstrap aggregating），也称为bagging方法，它直接基于自助采样法（bootstrap samping）。
给定包含m个样本的数据集，我们先随机取出一个样本放入采样集中，再把该样本放回初始数据集，使得下次采样时该样本仍有可能被选中，这样，经过m次随机采样操作，我们得到了含m个样本的采样集。这样从原始数据集选择T次后得到T个新数据集，且每个新数据集的大小和原数据集的大小相等。在T个新数据集建好之后，将某个学习算法分别作用于每个数据集就得到了T个分类器。当我们要对新数据集进行分类时，就可以应用这T个分类器进行分类。与此同时，选择分类器投票结果中最多的类别作为最后的分类结果（权重相等）。
Boosting
boosting是一种和bagging很类似的技术。其使用的多个分类器的类型都是一致的。
在boosting中，不同的分类器是通过串行训练而获得的，每个新分类器都根据已训练出的分类器的性能来进行训练。boosting是通过集中关注被已有分类器错分的那些数据来获得新的分类器。
boosting分类的结果是基于所有分类器的加权求和结果的，在bagging中的分类器权重是相等的，而boosting中的分类器权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。
现在介绍其中的AdaBoost
弱分类器的“弱”意味着分类器的性能比随机猜测要略好，但是也不会好太多。这就是说，在二分类情况下，弱分类器的错误率会高于50%，而强分类器的错误率会低很多。
AdaBoost是adaptive boosting（自适应boosting）的缩写，其运行过程如下：
假设一个二类分类的训练数据集
<1>训练数据中的每个样本，并赋予其一个权重，这些权重构成了初始向量D。一开始，这些权重都初始化成相等值。
AdaBoost算法多种推导方式，比较容易理解的是基于“加性模型”，即基学习器的线性组合
，其中 
为基学习器，
为系数
来最小化指数损失函数（exponential loss function），损失函数见 机器学习-损失函数 （转）
，其中f(x)是正确的分类，等于-1或者1，H(x)是分类器的分类结果，等于-1或者1
，所以对该式子求
的偏导，得 
，并令其等于0，得
<2>首先在训练分类器上训练出一个弱分类器并计算该分类的错误率，然后在同一数据集上再次训练弱分类器。
在分类器的第二次训练中，将会重新调整每个样本的权重，其中第一次分对的样本的权重将会降低，而第一次分错的样本的权重将会提高。为了从所有弱分类器中得到最终的分类结果，AdaBoost为每个分类器都分配了一个权重值alpha，这些alpha值是基于每个弱分类器的错误率进行计算的。
其中，错误率 
的定义为
= 为正确分类的样本数目/所有样本数目
而alpha的计算公式如下：
计算出alpha值之后，可以对权重向量D进行更新，以使得那些正确分类的样本的权重降低而错分样本的权重升高。D的计算方法如下：
其中，
，
是规范化因子
它使得成为一个概率分布
如果某个样本被正确分类，那么该样本的权重更改为
如果某个样本被错误分类，那么该样本的权重更改为
在计算出D之后，AdaBoost算法又开始进入下一轮迭代。
AdaBoost算法会不断地重复训练和调整权重的过程，直到训练错误率为0或者弱分类器的数目达到用户的指定值为止。
from numpy import *
def loadSimpData():
datMat = matrix([[ 1. , 2.1],
[ 1.5, 1.6],
[ 1.3, 1. ],
[ 1. , 1. ],
[ 2. , 1. ]])
classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
return datMat,classLabels
def plotBestFit(weakClassArr): #画出数据集和所有的基学习器
#import matplotlib.pyplot as plt
dataMat,labelMat=loadSimpData() #数据矩阵和标签向量
dataArr = array(dataMat) #转换成数组
n = shape(dataArr)[0]
xcord1 = []; ycord1 = [] #声明两个不同颜色的点的坐标
xcord2 = []; ycord2 = []
for i in range(n):
if int(labelMat[i])== 1:
xcord1.append(dataArr[i,0]); ycord1.append(dataArr[i,1])
else:
xcord2.append(dataArr[i,0]); ycord2.append(dataArr[i,1])
fig = plt.figure()
ax = fig.add_subplot(111)
ax.scatter(xcord1, ycord1, s=30, c=\'red\', marker=\'s\')
ax.scatter(xcord2, ycord2, s=30, c=\'green\')
print "weakClassArr[0][\'thresh\']",weakClassArr[0][\'dim\']
for j in range(len(weakClassArr)):
if(weakClassArr[j][\'dim\'] == 1):
x = arange(-0.0, 2.5, 0.1)
y = x*0+weakClassArr[j][\'thresh\']
ax.plot(x, y)
else:
y = array(arange(-0.0, 2.5, 0.1))
x = y*0+weakClassArr[j][\'thresh\']
ax.plot(x, y)
plt.xlabel(\'X1\'); plt.ylabel(\'X2\');
plt.show()
def stumpClassify(dataMatrix,dimen,threshVal,threshIneq): #通过阈值比较对数据进行分类
retArray = ones((shape(dataMatrix)[0],1)) #首先将返回的数组的全部元素设置为1
if threshIneq == \'lt\':
retArray[dataMatrix[:,dimen] <= threshVal] = -1.0 #将满足<=不等式的元素设为-1
else:
retArray[dataMatrix[:,dimen] > threshVal] = -1.0 #将满足>不等式的元素设为-1
return retArray
def buildStump(dataArr,classLabels,D): #遍历stumpClassify()函数所有的可能输入值，并找到数据集上最佳的单层决策树
dataMatrix = mat(dataArr); labelMat = mat(classLabels).T
m,n = shape(dataMatrix) #m=5,n=2
numSteps = 10.0; bestStump = {}; bestClasEst = mat(zeros((m,1)))
minError = inf #初始误差总和，为无穷大
for i in range(n): #循环X和Y两个维度
rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max(); #取得X和Y两个维度的最大值和最小值特征
stepSize = (rangeMax-rangeMin)/numSteps #步进长度
for j in range(-1,int(numSteps)+1): #从-1到10步进
for inequal in [\'lt\', \'gt\']: #"lt"为满足<=不等式，"gt"为满足>不等式
threshVal = (rangeMin + float(j) * stepSize) #当前阈值
predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal) #根据阈值和不等式，计算预测的分类
errArr = mat(ones((m,1)))
errArr[predictedVals == labelMat] = 0 #样本估计错误的标记为1
weightedError = D.T*errArr #通过权重和错误标记，计算泛化误差
#print "split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError)
if weightedError < minError: #如果泛化误差是最小的
minError = weightedError
bestClasEst = predictedVals.copy() #保存最佳预测结果
bestStump[\'dim\'] = i #保存维度、阈值、不等式符号
bestStump[\'thresh\'] = threshVal
bestStump[\'ineq\'] = inequal
return bestStump,minError,bestClasEst
def adaBoostTrainDS(dataArr,classLabels,numIt=40): #基于单层决策树的AdaBoost训练
weakClassArr = []
m = shape(dataArr)[0] #需要分类的数据量，m=5
D = mat(ones((m,1))/m) #D为权重向量，初始D1...D5的和等于1
aggClassEst = mat(zeros((m,1))) #基分类器的线性组合
for i in range(numIt):
#建立单层决策树，bestStump包括维度，不等式，阈值，error泛化误差，classEst是每个基分类器
bestStump,error,classEst = buildStump(dataArr,classLabels,D)
print "最佳决策树=",bestStump,"泛化误差=",error,"更新前的分类器预测结果=",classEst.T
#print "D:",D.T
alpha = float(0.5*log((1.0-error)/max(error,1e-16))) #根据泛化误差，计算基分类器的权重α值
bestStump[\'alpha\'] = alpha #把权重α值添加到最佳决策树的列表中
print "最佳决策树=",bestStump
weakClassArr.append(bestStump) #保存单层最佳决策树参数到数组中
print "预测分类: ",classEst.T
expon = multiply(-1*alpha*mat(classLabels).T,classEst) #权重α×真实分类×预测分类，multiply为对应元素相乘，不是矩阵相乘
D = multiply(D,exp(expon)) #Calc New D for next iteration
D = D/D.sum() #更新D,D.sum()为规范化因子
#calc training error of all classifiers, if this is 0 quit for loop early (use break)
aggClassEst += alpha*classEst
print "更新后的分类器预测结果: ",aggClassEst.T
aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1))) #boolean值和1相乘
errorRate = aggErrors.sum()/m #计算错误率
print "total error: ",errorRate
if errorRate == 0.0: break
return weakClassArr,aggClassEst
def adaClassify(datToClass,classifierArr): #AdaBoost分类函数
dataMatrix = mat(datToClass) #输入[0,0]转换成[[0,0]]矩阵
m = shape(dataMatrix)[0]
aggClassEst = mat(zeros((m,1)))
for i in range(len(classifierArr)):
classEst = stumpClassify(dataMatrix,classifierArr[i][\'dim\'],\\
classifierArr[i][\'thresh\'],\\
classifierArr[i][\'ineq\']) #维度、阈值、不等式符号
aggClassEst += classifierArr[i][\'alpha\']*classEst #计算在每一个基分类器上的预测值的累加和
print "aggClassEst=",aggClassEst
return sign(aggClassEst)
main.py
# coding:utf-8 # !/usr/bin/env python import adaboost if __name__ == \'__main__\': datMat,classLabels = adaboost.loadSimpData() weakClassArr,aggClassEst = adaboost.adaBoostTrainDS(datMat,classLabels) print "弱分类器组合:",weakClassArr print adaboost.adaClassify([[0,0],[5,5]],weakClassArr) adaboost.plotBestFit(weakClassArr)
1个分类器———— 2个分类器———— 3个分类器————
以上是关于机器学习——AdaBoost元算法的主要内容，如果未能解决你的问题，请参考以下文章
《机器学习实战第7章：利用AdaBoost元算法提高分类性能》