提升方法的思路
对于一个复杂任务,将多个决策进行适当的综合所得出的判断,要比其中任何一个决策更为准确.
对于分类问题,提升方法的就是从弱学习方法出发,反复学习,得到一系列弱分类器,然后组合这些弱分类器,构成一个强分类器,大多数提升方法都是通过改变训练数据的概率分布,(即通过对训练数据进行加权),针对不同分布的数据调用弱学习方法学习一系列的弱分类器.
提升方法有两个关键所在:
- 在每一轮如果改变训练数据的权值或概率分布.
- 如何将弱分类器组合成一个强分类器.
强可学习和弱可学习
Kearns和Valiant提出了强可学习和弱可学习的概念.
在概率近似正确(probably approximately correct, PAC)学习的框架中,
一个概念如果存在一个多项式的学习算法能够学习它,并且正确率很高,那么就称这个概念是强可学习的.
一个概念如果存在一个多项式的学习算法能够学习它,学习的正确率只比随机猜测略好,则称这个概念是弱可学习的.
Schapire后来证明强可学习和若可学习是等价的,即在PAC学习框架下,一个概念是强可学习的充分必要条件是这个概念是弱可学习的.
PAC学习
很容易得知,除非对所有可能的数据进行训练,否则总会存在多个假设使得错误率不为0,也就是说学习器不能保证和目标函数完全一致,且由于样本是随机选择的,总存在一定的偶然性,使得学习器学习到的与真实分布不同。
因此我们只要求学习学习到一个近似正确的假设,即PAC学习.
一个可PAC学习的学习需要满足两个条件:
- 学习器必须以任意高的概率输出一个错误率任意低的假设.
- 学习的时间最多以多项式方式增长.
AdaBoost
对于提升方法的两个关键,AdaBoost采取的做法是,提高被前一轮弱分类器错误分类样本的权值,降低被正确分类样本的权值,这样分类器就会更加关注上一轮被错分类的数据;对于弱分类器的组合,AdaBoost采取加权多数表决的方法,对于分类误差率小的弱分类器取较大的权值,减小分类误差率大得弱分类器的权值.
AdaBosst算法
假设给定一个二类分类的训练数据集 T = ( x 1 , y 1 ) , ( x 2 , y 2 ) … ( x N , y N ) T={(x_1,y_1), (x_2, y_2)\dots(x_N, y_N)} T=(x1,y1),(x2,y2)…(xN,yN),其中,每个样本点有实例和标记组成. 标记 y i = { − 1 , + 1 } y_i = \{-1, +1\} yi={ −1,+1},AdaBoost利用以下算法,从训练数据中学习一系列弱分类器,然后将弱分类器线性组合成为一个强分类器.
算法(AdaBoost)
输入:训练数据集,弱学习算法.
输出:强分类器 G ( x ) G(x) G(x)
- 初始化训练数据的权值分布
D 1 = ( w 11 , … , w 1 i , … , w 1 N ) , w 1 i = 1 N , i = 1 , 2 … , N D_1 = (w_{11},\dots,w_{1i},\dots,w_{1N}),\ w_{1i}=\frac{1}{N},\ i=1,2\dots,N D1=(w11,…,w1i,…,w1N), w1i=N1, i=1,2…,N - 对 m = 1 , 2 , … , M m=1,2,\dots,M m=1,2,…,M
- 使用具有权值分布的 D m D_m Dm的训练数据集学习,得到基本分类器 G m ( x ) : x → { − 1 , + 1 } G_m(x):x\rightarrow\{-1,+1\} Gm(x):x→{ −1,+1}.
- 计算 G m ( x ) G_m(x) Gm(x)在训练数据集上的分类误差率 e m = P ( G m ( x i ) ≠ y i ) = ∑ i = 1 N w m i I ( G m ( x i ) ≠ y i ) e_m = P(G_m(x_i)\neq y_i) = \sum_{i=1}^Nw_{mi}I(G_m(x_i)\neq y_i) em=P(Gm(xi)̸=yi)=∑i=1NwmiI(Gm(xi)̸=yi).
- 计算 G m ( x ) G_m(x) Gm(x)的系数 α m = 1 2 log 1 − e m e m \alpha_m = \frac{1}{2}\log \frac{1-e_m}{e_m} αm=21logem1−em.
- 更新训练数据集的权值分布,这里的 Z m Z_m Zm是规范化因子
D m + 1 = ( w m + 1 , 1 , … , w m + 1 , i , … , w m + 1 , N ) W m + 1 , i = w m i Z m exp ( − α m y i G m ( x i ) ) , i = 1 , 2 … , N Z m = ∑ i = 1 N w m i exp ( − α m y i G m ( x i ) ) D_{m+1} = (w_{m+1,1},\dots,w_{m+1,i},\dots,w_{m+1,N})\\ W_{m+1,i}=\frac{w_{mi}}{Z_m}\exp(-\alpha_my_iG_m(x_i)),i=1,2\dots,N\\ Z_m = \sum_{i=1}^Nw_{mi}\exp(-\alpha_my_iG_m(x_i)) Dm+1=(wm+1,1,…,wm+1,i,…,wm+1,N)Wm+1,i=Zmwmiexp(−αmyiGm(xi)),i=1,2…,NZm=i=1∑Nwmiexp(−αmyiGm(xi))
- 构成基本分类器的线性组合
f ( x ) = ∑ m = 1 M α m G m ( x ) f(x)=\sum_{m=1}^M\alpha_mG_m(x) f(x)=∑m=1MαmGm(x),得到最终分类器
G ( x ) = s i g n ( f ( x ) ) = s i n g ( ∑ m = 1 M α m G m ( x ) ) G(x) = sign(f(x)) = sing(\sum_{m=1}^M\alpha_mG_m(x)) G(x)=sign(f(x))=sing(m=1∑MαmGm(x))
在计算 G m ( x ) G_m(x) Gm(x)在训练数据集上的分类误差率 e m e_m em,我们可以得到 e m = ∑ G m ( x i ) ≠ y i w m i e_m = \sum_{G_m(x_i)\neq y_i}w_{mi} em=∑Gm(xi)̸=yiwmi,即分类误差率是被 G m ( x ) G_m(x) Gm(x)五分类样本的权值之和.
当 e m ≤ 1 2 e_m\leq \frac{1}{2}