Boosting
Boosting是一族可将弱学习器提升为强学习的算法,机制为:
- 先从初始训练集训练出一个基学习器
- 根据基学习器的表现对训练样本分布进行调整,使得先前基学习器做错的训练样本在后续受到更多关注
- 然后基于调整后的样本分布来训练下一个基学习器
- 以上重复进行,直至基学习器数目达到事先指定的值 T T T
- 最终将这 T T T个基学习器进行加权结合
AdaBoost
AdaBoost是Boosting族算法最著名的代表,假设训练样本集 T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , ⋯ , ( x N , y N ) } T=\{(x_1,y_1),(x_2,y_2),\cdots,(x_N,y_N)\} T={(x1,y1),(x2,y2),⋯,(xN,yN)},其中实例 x ∈ χ x\in \chi x∈χ, y i ∈ { − 1 , + 1 } y_i\in \{-1,+1\} yi∈{−1,+1},Adaboost的算法流程如下:
- 步骤一:首先,初始化训练数据的权值分布。每一个训练样本最开始时被赋予相同的权重:
1
N
\frac{1}{N}
N1
D 1 = ( w 11 , w 12 , ⋯ , w 1 i , ⋯ , w 1 N ) , w 1 i = 1 N , i = 1 , 2 , ⋯ , N D_1=(w_{11},w_{12},\cdots,w_{1i},\cdots,w_{1N}),w_{1i}=\frac{1}{N},i=1,2,\cdots,N D1=(w11,w12,⋯,w1i,⋯,w1N),w1i=N1,i=1,2,⋯,N - 步骤二:进行多轮迭代,用
m
=
1
,
2
,
⋯
,
M
m=1,2,\cdots,M
m=1,2,⋯,M代表迭代的第多少轮
a.使用具有权值分布 D m D_m Dm的训练集学习,得到基学习器
G m ( x ) : χ → { − 1 , + 1 } G_m(x):\chi \to \{-1,+1\} Gm(x):χ→{−1,+1}
b.计算 G m ( x ) G_m(x) Gm(x)在训练集上的分类错误率
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=1∑NwmiI(Gm(xi)=yi)
即错误率 e m e_m em就是被 G m ( x ) G_m(x) Gm(x)误分类样本的权值之和
c.计算 G m ( x ) G_m(x) Gm(x)的系数, α m \alpha_m αm表示 G m ( x ) G_m(x) Gm(x)在最终分类器中的重要程度
α m = 1 2 l n 1 − e m e m \alpha_m=\frac{1}{2}ln\frac{1-e_m}{e_m} αm=21lnem1−em
e m ≤ 1 2 e_m\leq \frac{1}{2} em≤21时, α m ≥ 0 \alpha_m\geq0 αm≥0,且 α m \alpha_m αm随着 e m e_m em的减小而增大,意味着分类误差越小的基分类器的权重越大
d.更新训练数据集的权值分布,用于下一轮迭代
D m + 1 = ( w m + 1 , 1 , w m + 1 , 2 , ⋯ , w m + 1 , i , ⋯ , w m + 1 , N ) , w m + 1 , i = w m i Z m e x p ( − α m y i G m ( x i ) ) , i = 1 , 2 , ⋯ , N D_{m+1}=(w_{m+1,1},w_{m+1,2},\cdots,w_{m+1,i},\cdots,w_{m+1,N}),\\ w_{m+1,i}=\frac{w_{mi}}{Z_m}exp(-\alpha_my_iG_m(x_i)),i=1,2,\cdots,N Dm+1=(wm+1,1,wm+1,2,⋯,wm+1,i,⋯,wm+1,N),wm+1,i=Zmwmiexp(−αmyiGm(xi)),i=1,2,⋯,N
解释:当基分类器 G m ( x ) G_m(x) Gm(x)误分类时 y i G m ( x i ) y_iG_m(x_i) yiGm(xi)为-1,此时 e x p exp exp的参数为 α m ( > 0 ) \alpha_m(>0) αm(>0),即权值变大,反之,当正确分类时样本权值减小。通过这种方式,AdaBoost方法能“重点关注”或“聚焦于”那些较难分的样本上。
其中, Z m Z_m Zm是规范化因子,使得 D m + 1 D_{m+1} Dm+1成为一个概率分布
Z m = ∑ i = 1 N w m i e x p ( − α m y i G m ( x i ) ) Z_m=\sum_{i=1}^Nw_{mi}exp(-\alpha_my_iG_m(x_i)) Zm=i=1∑Nwmiexp(−αmyiGm(xi)) - 步骤三:组合各个弱分类器
f ( x ) = ∑ m = 1 M α m G m ( x ) f(x)=\sum_{m=1}^M\alpha_mG_m(x) f(x)=m=1∑MαmGm(x)
从而得到最终分类器,如下:
G ( x ) = s i g n ( f ( x ) ) = s i g n ( ∑ m = 1 M α m G m ( x ) ) G(x)=sign(f(x))=sign\left(\sum_{m=1}^M\alpha_mG_m(x)\right) G(x)=sign(f(x))=sign(m=1∑MαmGm(x))
实例参考:https://blog.csdn.net/nk_wavelet/article/details/52612464