sklearn.ensemble.AdaBoost

最新推荐文章于 2023-10-02 11:01:55 发布

kakak_

最新推荐文章于 2023-10-02 11:01:55 发布

阅读量459

点赞数 1

分类专栏： Machine Learning

本文链接：https://blog.csdn.net/kakak_/article/details/105156609

版权

Machine Learning 专栏收录该内容

38 篇文章 2 订阅

订阅专栏

scikit-learn中Adaboost类库有AdaBoostClassifier和AdaBoostRegressor两个。
AdaBoostClassifier使用了两种Adaboost分类算法的实现，SAMME和SAMME.R。而AdaBoostRegressor则使用了原理中Adaboost回归算法的实现，即Adaboost.R2。

AdaBoost框架参数

base_estimator：AdaBoostClassifier和AdaBoostRegressor都有，即弱学习器。理论上可以选择任何一个分类或回归学习器，不过需要支持样本权重，常用的一般是CART决策树或者神经网络MLP。AdaBoost默认使用CART分类树或CART回归树。另外，如果选择的AdaBoostClassifier算法是SAMME.R，则弱分类学习器还需要支持概率预测，也就是在scikit-learn中弱分类学习器对应的预测方法除了predict还需要有predict_proba。
algorithm：这个参数只有AdaBoostClassifier有。主要原因是scikit-learn实现了两种Adaboost分类算法，SAMME和SAMME.R。两者的主要区别是弱学习器权重的度量，SAMME使用了原理篇里二元分类Adaboost算法的扩展，即用对样本集分类效果作为弱学习器权重，而SAMME.R使用了对样本集分类的预测概率大小来作为弱学习器权重。由于SAMME.R使用了概率度量的连续值，迭代一般比SAMME快，因此AdaBoostClassifier的默认算法algorithm的值也是SAMME.R。一般使用默认的SAMME.R就够了，但是要注意的是使用了SAMME.R，则弱分类学习器参数base_estimator必须限制使用支持概率预测的分类器，SAMME算法则没有这个限制。
loss：这个参数只有AdaBoostRegressor有，Adaboost.R2算法需要用到。有线性‘linear’, 平方‘square’和指数 ‘exponential’三种选择, 默认是线性，一般使用线性就足够了，除非怀疑是这个参数导致拟合程度不好。它对应了对第k个弱分类器的中第i个样本的误差的处理。
n_estimators： AdaBoostClassifier和AdaBoostRegressor都有，即弱学习器的最大迭代次数，或弱学习器的个数。一般来说n_estimators太小，容易欠拟合，n_estimators太大，又容易过拟合，一般选择一个适中的数值，默认是50。
learning_rate: AdaBoostClassifier和AdaBoostRegressor都有，即每个弱学习器的权重缩减系数𝜈，或正则化项系数。𝜈 的取值范围为0 < 𝜈 ≤ 1。对于同样的训练集拟合效果，较小的𝜈意味着我们需要更多的弱学习器的迭代次数。默认是1。

AdaBoost弱学习器参数

这里仅讨论默认的决策树弱学习器的重要参数。详细见DecisionTree类库参数小结
即CART分类树DecisionTreeClassifier和CART回归树DecisionTreeRegressor。

划分时考虑的最大特征数max_features: 默认是"None"，意味着划分时考虑所有的特征数；如果是"log2"意味着划分时最多考虑 $log_2N$ 个特征；如果是"sqrt"或者"auto"意味着划分时最多考虑 $\sqrt{N}$ 个特征。如果是整数，代表考虑的特征绝对数。如果是浮点数，代表考虑特征百分比，即考虑（百分比 x N）取整后的特征数。其中N为样本总特征数。一般来说，如果样本特征数不多，比如小于50，用默认的"None"就可以了，如果特征数非常多，可以灵活划分考虑的最大特征数，以控制决策树的生成时间。
决策树最大深max_depth: 默认可以不输入=，决策树在建立子树时不会限制子树的深度。一般来说，数据少或者特征少的时候可以不管这个值。如果模型样本量多，特征也多的情况下，推荐限制这个最大深度，具体的取值取决于数据的分布。常用的可以取值10-100之间。
内部节点再划分所需最小样本数min_samples_split: 这个值限制了子树继续划分的条件，如果某节点的样本数少于min_samples_split，则不会继续再尝试选择最优特征来进行划分。默认是2，如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。
叶子节点最少样本数min_samples_leaf: 这个值限制了叶子节点最少的样本数，如果某叶子节点数目小于样本数，则会和兄弟节点一起被剪枝。默认是1，可以输入最少的样本数的整数，或者最少样本数占样本总数的百分比。如果样本量不大，不需要管这个值。如果样本量数量级非常大，则推荐增大这个值。
叶子节点最小的样本权重和min_weight_fraction_leaf：这个值限制了叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。默认是0，就是不考虑权重问题。一般来说，如果有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时就要注意这个值了。
最大叶子节点数max_leaf_nodes: 通过限制最大叶子节点数，可以防止过拟合，默认是"None”，即不限制最大的叶子节点数。如果加了限制，算法会建立在最大叶子节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制，具体的值可以通过交叉验证得到。