AdaBoost

一、集成学习

AdaBoost是集成学习的一种。集成学习的目的是通过结合几个由给定的算法组成的模型，去提高单个模型的准确率。就是俗话说的三个臭皮匠顶一个诸葛亮的意思。对于多个简单的模型，集成学习有两种结合算法的方式，一种是平均的方式，例如Bagging方法，随机森林法。另一种是提升的方法，例如：Adaboost,GBDT等。

二、AdaBoost

根据上面集成学习的定义，AdaBoost算法需要回答两个问题。一个问题是在每一轮如何改变训练数据的权值，另一个问题是如何将弱分类器组合成强分类器。对于第一个问题，AdaBoost的做法是提高那些前一轮被错误分类样本的权值，降低那些被正确分类样本的权值。第二个问题，AdaBoost采取的是加权多数表决。加大分类误差率小的弱分类的权值，使其在分类中起决定性的作用。

三、AdaBoost算法过程

以李航的统计学习为例，结合例子，一步一步详细说明AdaBoost算法流程。

以如下训练数据为例：

序号	1	2	3	4	5	6	7	8	9	10
x	0	1	2	3	4	5	6	7	8	9
y	1	1	1	-1	-1	-1	1	1	1	-1

 

 

到此第一个分类器训练完毕，然后就是训练第二个分类器，过程和第一个分类器一样，唯一不同的是，权值不再是0.1。

下面展示一下1/2*log((1-e)/e)的函数图像

可以看到，当e为0.5的时候函数值为0，当误分类的概率越小，则权重越大，否则权重越小。

四、AdaBoost算法的误差分析

五、AdaBoost算法代码实现

算法实现为GitHub源码，我阅读了源码又添加了一下注释。源代码地址为：

https://github.com/wzyonggege/statistical-learning-method

class AdaBoost:
    def __init__(self, n_estimators=50, learning_rate=1.0):
        #clf_num是要设置几个分类器
        #learning_rate是选择最佳阈值时的间隔
        self.clf_num = n_estimators
        self.learning_rate = learning_rate
    
    def init_args(self, datasets, labels):
        
        self.X = datasets
        self.Y = labels
        #M为数据的个数，N为数据的特征
        self.M, self.N = datasets.shape
        
        # 弱分类器数目和集合
        self.clf_sets = []
        
        # 初始化weights，[1]*3 的结果是[1,1,1]
        self.weights = [1.0/self.M]*self.M
        
        # G(x)系数 alpha
        self.alpha = []
        
    def _G(self, features, labels, weights):
        m = len(features)
        error = 100000.0 # 无穷大
        best_v = 0.0
        # 单维features
        features_min = min(features)
        features_max = max(features)
        n_step = (features_max - features_min + self.learning_rate) // self.learning_rate
        # print('n_step:{}'.format(n_step))
        direct, compare_array = None, None

        #一个一个尝试，找出误分类最小的那个值
        for i in range(1, int(n_step)):
            v = features_min + self.learning_rate * i
            
            if v not in features:
                # 误分类计算
                compare_array_positive = np.array([1 if features[k] > v else -1 for k in range(m)])
                weight_error_positive = sum([weights[k] for k in range(m) if compare_array_positive[k] != labels[k]])
                
                compare_array_nagetive = np.array([-1 if features[k] > v else 1 for k in range(m)])
                weight_error_nagetive = sum([weights[k] for k in range(m) if compare_array_nagetive[k] != labels[k]])

                if weight_error_positive < weight_error_nagetive:
                    weight_error = weight_error_positive
                    _compare_array = compare_array_positive
                    direct = 'positive'
                else:
                    weight_error = weight_error_nagetive
                    _compare_array = compare_array_nagetive
                    direct = 'nagetive'
                    
                # print('v:{} error:{}'.format(v, weight_error))
                if weight_error < error:
                    error = weight_error
                    compare_array = _compare_array
                    best_v = v
        return best_v, direct, error, compare_array
        
    # 计算alpha
    def _alpha(self, error):
        return 0.5 * np.log((1-error)/error)
    
    # 计算规范化因子
    def _Z(self, weights, a, clf):
        return sum([weights[i]*np.exp(-1*a*self.Y[i]*clf[i]) for i in range(self.M)])
        
    # 权值更新
    def _w(self, a, clf, Z):
        for i in range(self.M):
            self.weights[i] = self.weights[i]*np.exp(-1*a*self.Y[i]*clf[i])/ Z
    
    # G(x)的线性组合
    def _f(self, alpha, clf_sets):
        pass
    
    def G(self, x, v, direct):
        if direct == 'positive':
            return 1 if x > v else -1 
        else:
            return -1 if x > v else 1 
    
    def fit(self, X, y):
        #初始化参数
        self.init_args(X, y)
        
        #要确定几个分类器，就要循环几次
        for epoch in range(self.clf_num):
            best_clf_error, best_v, clf_result = 100000, None, None
            # 根据特征维度, 选择误差最小的
            for j in range(self.N):
                features = self.X[:, j]
                # 分类阈值，分类误差，分类结果
                v, direct, error, compare_array = self._G(features, self.Y, self.weights)
                
                if error < best_clf_error:
                    best_clf_error = error
                    best_v = v
                    final_direct = direct
                    clf_result = compare_array
                    axis = j
                    
                # print('epoch:{}/{} feature:{} error:{} v:{}'.format(epoch, self.clf_num, j, error, best_v))
                if best_clf_error == 0:
                    break
                
            # 计算G(x)系数a
            a = self._alpha(best_clf_error)
            self.alpha.append(a)
            # 记录分类器
            self.clf_sets.append((axis, best_v, final_direct))
            # 规范化因子
            Z = self._Z(self.weights, a, clf_result)
            # 权值更新
            self._w(a, clf_result, Z)