基本常用的几种提升方法
而本次所说的就为AdaBoost方法。
AdaBoost方法基本思想
AdaBoost方法是一种常用的统计学习方法,在分类问题中,它通过改变训练样本权重,学习多个分类器,并将这些分类器进行线性组合,以提高分类性能。实际上,这就是“三个臭皮匠顶个诸葛亮”的道理。
AdaBoost算法
对于提升方法,主要有两个问题:一是在每一轮如何改变训练数据的权值或概率分布;而是如何将弱分类器组合成一个强分类器。这在下面算法中将会介绍。
假定一个二分类数据集
T
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
.
.
.
,
(
x
N
,
y
N
)
}
T = \{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}
T={(x1,y1),(x2,y2),...,(xN,yN)}
其中,实例
x
i
∈
X
⊆
R
n
x_i \in X \subseteq R^n
xi∈X⊆Rn,标记
y
i
∈
Y
=
{
−
1
,
1
}
y_i \in Y=\{-1,1\}
yi∈Y={−1,1}
算法:
输入:训练数据集
T
=
{
(
x
1
,
y
1
)
,
(
x
2
,
y
2
)
,
.
.
.
,
(
x
N
,
y
N
)
}
T = \{(x_1,y_1),(x_2,y_2),...,(x_N,y_N)\}
T={(x1,y1),(x2,y2),...,(xN,yN)};弱学习算法;
输出:最终分类器
G
(
x
)
G(x)
G(x).
(1)初始化训练数据的权值分布
D
1
=
(
w
11
,
.
.
.
,
w
1
i
,
.
.
.
,
w
1
N
)
,
w
1
i
=
1
N
,
i
=
1
,
2
,
.
.
.
,
N
D_1=(w_{11},...,w_{1i},...,w_{1N}), w_{1i}=\frac{1}{N},i=1,2,...,N
D1=(w11,...,w1i,...,w1N),w1i=N1,i=1,2,...,N
(2)对m=1,2,…,M
(a)使用具有权值分布
D
m
D_m
Dm的训练数据集学习,得到基本分类器
G
m
(
x
)
:
X
→
{
−
1
,
1
}
G_m(x) : X \rightarrow \{-1,1\}
Gm(x):X→{−1,1}
(b)计算
G
m
(
x
)
G_m(x)
Gm(x)在训练数据集上的分类误差率
e
m
=
P
(
G
m
(
x
i
)
≠
y
i
)
=
Σ
i
=
1
N
w
m
i
I
(
G
m
(
x
i
)
≠
y
i
)
e_m = P(G_m(x_i) \ne y_i) = \Sigma_{i=1}^Nw_{mi}I(G_m(x_i)\ne y_i)
em=P(Gm(xi)=yi)=Σi=1NwmiI(Gm(xi)=yi)
(c)计算
G
m
(
x
)
G_m(x)
Gm(x)的系数
α
m
=
1
2
l
o
g
1
−
e
m
e
m
\alpha_m = \frac{1}{2}log\frac{1-e_m}{e_m}
αm=21logem1−em
这里对数为自然对数
(d)更新训练数据集的权值分布
D
m
+
1
=
(
w
m
+
1
,
1
,
.
.
.
,
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,i},...,w_{m+1,N})\\ w_{m+1,i}=\frac{w_{mi}}{Z_m}exp(-\alpha_my_iG_m(x_i)),i=1,2,...,N
Dm+1=(wm+1,1,...,wm+1,i,...,wm+1,N)wm+1,i=Zmwmiexp(−αmyiGm(xi)),i=1,2,...,N
这里
Z
m
Z_m
Zm为规范化因子
Z
m
=
Σ
i
=
1
N
w
m
i
e
x
p
(
−
α
m
y
i
G
m
(
x
)
)
Z_m=\Sigma_{i=1}^Nw_{mi}exp(-\alpha_my_iG_m(x))
Zm=Σi=1Nwmiexp(−αmyiGm(x))
它使
D
m
+
1
D_{m+1}
Dm+1成为一个概率分布。
(3)构建基本分类器线性组合
f
(
x
)
=
Σ
m
=
1
M
α
m
G
m
(
x
)
f(x)=\Sigma_{m=1}^M\alpha_mG_m(x)
f(x)=Σm=1MαmGm(x)
得到最终分类器
G
(
x
)
=
s
i
g
n
(
f
(
x
)
)
=
s
i
g
n
(
Σ
m
=
1
M
α
m
G
m
(
x
)
)
G(x)=sign(f(x))=sign(\Sigma_{m=1}^M\alpha_mG_m(x))
G(x)=sign(f(x))=sign(Σm=1MαmGm(x))
算法说明:
步骤(1)中,首先假设训练数据集具有均匀分布的权值,即每个训练样本在基本分类器的学习中作用相同。
步骤(2)AdaBoost反复学习基本分类器,在每一轮m=1,2,…,M顺序执行下列操作:
(a)使用当前分布
D
m
D_m
Dm加权的训练数据集,学习基本分类器
G
m
(
x
)
G_m(x)
Gm(x)。
(b)计算基本分类器
G
m
(
x
)
G_m(x)
Gm(x)在加权训练集上的分类误差率:
e
m
=
P
(
G
m
(
x
i
)
≠
y
i
)
=
Σ
G
m
(
x
i
)
≠
y
i
w
m
i
e_m=P(G_m(x_i) \ne y_i) = \Sigma_{G_m(x_i) \ne y_i}w_{mi}
em=P(Gm(xi)=yi)=ΣGm(xi)=yiwmi
这里,
w
m
i
w_{mi}
wmi表示第m轮中第i个实例的权值,
Σ
i
=
1
N
w
m
i
=
1.
\Sigma_{i=1}^Nw_{mi}=1.
Σi=1Nwmi=1.这表明,
G
m
(
x
)
G_m(x)
Gm(x)在加权训练数据集上的分类误差率是被
G
m
(
x
)
G_m(x)
Gm(x)误分类样本的权值之和。
(c)计算基本分类器
G
m
(
x
)
G_m(x)
Gm(x)的系数
α
m
\alpha_m
αm。
α
m
表
示
G
m
(
x
)
\alpha_m表示G_m(x)
αm表示Gm(x)在最终分类器中的重要性,当
e
m
≤
1
2
时
,
α
m
≥
0
,
e_m \le \frac{1}{2}时,\alpha_m\ge 0,
em≤21时,αm≥0,并且
α
m
随
着
e
m
\alpha_m随着e_m
αm随着em的减小而增大,所以分类误差率越小的基本分类器在最终分类器中的作用越大。
(d)更新训练集权值分布,新一轮权值可写成:
w
m
+
1
,
i
=
{
w
m
i
Z
m
e
α
m
,
G
m
(
x
i
)
≠
y
i
w
m
i
Z
m
e
−
α
m
,
G
m
(
x
i
)
=
y
i
w_{m+1,i}=\{_{\frac{w_{mi}}{Z_m}e^{\alpha_m},G_m(x_i) \ne y_i}^{\frac{w_{mi}}{Z_m}e^{-\alpha_m}, G_m(x_i) = y_i}
wm+1,i={Zmwmieαm,Gm(xi)=yiZmwmie−αm,Gm(xi)=yi
由此可知,被基本分类器
G
m
(
x
)
G_m(x)
Gm(x)误分类样本的权值得以扩大,而正确分类的样本权值得以缩小。因此,误分类样本将在下一轮学习中起更大作用。
(3)线性组合f(x)实现M个基本分类器的加权表决。系数
α
m
\alpha_m
αm表示基本分类器
G
m
(
x
)
G_m(x)
Gm(x)的重要性,但是所有
α
m
\alpha_m
αm之和并不等于1.