最近在看机器学习中adaboost(adaptive boostint)算法部分的内容,在csdn上面查找一番发现,好像没有讲的特别的详尽的,当然可能是我人品不佳,所以没有找到,为了防止同样的事情发生在其他人的身上,所以就写了这篇博文,尽量多的解释算法的推演过程更方便的大家去理解这个算法。
介绍adaboost算法之前,首先介绍一下学习算法的强弱,这个是PAC定义的:弱学习算法---识别错误率小于1/2(即准确率仅比随机猜测略高的学习算法),强学习算法---识别准确率很高并能在多项式时间内完成的学习算法。
接着我就用我所理解的例子来介绍一下adaboost算法,相信看过这个计算过程大家对这个算法肯定有更深刻的理解,由于csdn插入公式比较困难,所以下面的步骤我就用word截图来表示了,对了先叙述一下adaboost算法的迭代过程吧,这样对后面的计算会理解的更深刻一些。
adaboost算法迭代过程:
有了adaboost算法的迭代过程,那么我们就可以利用已知的公式对上面的式子进行简化了,下面的公式应用的会更多一 些
推导部分就到这里好了,接下来就是用例子来帮助大家理解adaboost算法的过程了,恩,见证奇迹的时刻到来了
好了到了这里对adaboost算法的过程肯定是理解了吧,那么我接着来放一个code来实现一下这个过程,必定会加深大家对这个算法的理解,OK,开始。
01.# coding: UTF-8
02.from __future__ import division
03.import numpy as np
04.import scipy as sp
05.from weakclassify import WEAKC
06.from dml.tool import sign
07.class ADABC:
08. def __init__(self,X,y,Weaker=WEAKC):
09. '''''
10. Weaker is a class of weak classifier
11. It should have a train(self.W) method pass the weight parameter to train
12. pred(test_set) method which return y formed by 1 or -1
13. see detail in <统计学习方法>
14. '''
15. self.X=np.array(X)
16. self.y=np.array(y)
17. self.Weaker=Weaker
18. self.sums=np.zeros(self.y.shape)
19. self.W=np.ones((self.X.shape[1],1)).flatten(1)/self.X.shape[1]
20. self.Q=0
21. #print self.W
22. def train(self,M=4):
23. '''''
24. M is the maximal Weaker classification
25. '''
26. self.G={}
27. self.alpha={}
28. for i in range(M):
29. self.G.setdefault(i)
30. self.alpha.setdefault(i)
31. for i in range(M):
32. self.G[i]=self.Weaker(self.X,self.y)
33. e=self.G[i].train(self.W)
34. #print self.G[i].t_val,self.G[i].t_b,e
35. self.alpha[i]=1/2*np.log((1-e)/e)
36. #print self.alpha[i]
37. sg=self.G[i].pred(self.X)
38. Z=self.W*np.exp(-self.alpha[i]*self.y*sg.transpose())
39. self.W=(Z/Z.sum()).flatten(1)
40. self.Q=i
41. #print self.finalclassifer(i),'==========='
42. if self.finalclassifer(i)==0:
43.
44. print i+1," weak classifier is enough to make the error to 0"
45. break
46. def finalclassifer(self,t):
47. '''''
48. the 1 to t weak classifer come together
49. '''
50. self.sums=self.sums+self.G[t].pred(self.X).flatten(1)*self.alpha[t]
51. #print self.sums
52. pre_y=sign(self.sums)
53. #sums=np.zeros(self.y.shape)
54. #for i in range(t+1):
55. # sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i]
56. # print sums
57. #pre_y=sign(sums)
58. t=(pre_y!=self.y).sum()
59. return t
60. def pred(self,test_set):
61. sums=np.zeros(self.y.shape)
62. for i in range(self.Q+1):
63. sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i]
64. #print sums
65. pre_y=sign(sums)
66. return pre_y