分类算法很多,有的效果比较好,有的效果稍微差点。
这里还有一种“新”分类算法,就是把多个分类器组合成一个分类器,主要有bagging 和boosting两种。
bagging算法:从原始数据中随机抽取n个样本,重复s次,于是就有个s个训练集,每个训练集都可以训练出一个分类器,最终生成s个分类器,预测结果将有这些分类器投票决定(选择分类器投票结果中最多的类别作为最后预测结果)。代表的有随机森林。
boosting算法:训练数据都一样,但是每个新的分类器,都会根据上一个分类器的误差来做相应调整。最终由这些分类器加权求和得到预测结果。代表的有AdaBoost。
两者还是有很明显的区别:
1. bagging每个训练集都不一样,而boosting每个训练集都一样。
2. bagging最终投票时,每个分类器权重都一样,而boosting最终投票时,每个分类器权重都不一样。
下面介绍adaboost,属于boosting算法。
算法思路如下:
1. 通过训练数据训练出一个最优分类器。
2. 查看分类器的错误率,把错分类的样本数据提高一定权重,分类正群的样本,降低一定权重。然后按每个数据样本,不同权重来训练新的最优分类器。
3. 最终投票结果由这些分类器按不同权重来投票决定,其中各分类器的权重,按其预测的准确性来决定。
如下图所示
样本权重的变化:
各个分类器最终的权重
代码实现如下:
from numpy import *
#载入数据
def loadSimpData():
datMat = matrix([[1., 2.1],
[2., 1.1],
[1.3, 1.],
[1., 1.],
[2., 1.]])
classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
return datMat, classLabels
#载入数据
def loadDataSet(fileName):
numFeat = len(open(fileName).readline().split('\t'))
dataMat = []
labelMat = []
fr = open(fileName)
for line in fr.readlines():
lineArr = []
curLine = line.strip().split('\t')
for i in range(numFeat - 1):
lineArr.append(float(curLine[i]))
dataMat.append(lineArr)
labelMat.append(float(curLine[-1]))
return dataMat, labelMat
#预测分类
def stumpClassify(dataMatrix, dimen, threshVal, threshIneq):
retArray = ones((shape(dataMatrix)[0], 1))
if threshIneq == 'lt': #比阀值小,就归为-1
retArray[dataMatrix[:, dimen] <= threshVal] = -1.0
else:
retArray[dataMatrix[:, dimen] > threshVal] = -1.0
return retArray
#建立单层决策树
def buildStump(dataArr, classLabels, D):
dataMatrix = mat(dataArr)
labelMat = mat(classLabels).T
m, n = shape(dataMatrix)
numSteps = 10.0
bestStump = {}
bestClasEst = mat(zeros((m, 1)))
minError = inf
for i in range(n):
rangeMin = dataMatrix[:, i].min()
rangeMax = dataMatrix[:, i].max()
stepSize = (rangeMax - rangeMin) / numSteps
for j in range(-1, int(numSteps) + 1):
for inequal in ['lt', 'gt'] : #less than 和greater than
threshVal = (rangeMin + float(j) * stepSize)
predictedVals = stumpClassify(dataMatrix, i, threshVal,inequal)
errArr = mat(ones((m, 1)))
errArr[predictedVals == labelMat] = 0 #分类错误的标记为1,正确为0
weightedError = D.T * errArr #增加分类错误的权重<