Adaboost（监督学习）

集成方法在函数模型上等价于一个多层神经网络，两种常见的集成方法为Adaboost模型和RandomTrees模型。其中随机森林可被视为前馈神经网络，而Adaboost模型则等价于一个反馈型多层神经网络。

一.引入

         对于Adaboost，可以说是久闻大名，据说在Deep Learning出来之前，SVM和Adaboost是效果最好的 两个算法，而Adaboost是提升树(boosting tree)，所谓“ 提升树 ” 就是把“弱学习算法”提升(boost)为“强学习算法”(语自《统计学习方法》)，而其中最具代表性的也就是Adaboost了，貌似Adaboost的结构还和Neural Network有几分神似，我倒没有深究过，不知道是不是有什么干货。

二.过程

        （from PRML）

         这就是Adaboost的结构，最后的分类器YM是由数个弱分类器（weak classifier）组合而成的,相当于最后m个弱分类器来投票决定分类，而且每个弱分类器的“话语权”α不一样。

         这里阐述下算法的具体过程：

        1.初始化所有训练样例的权重为1 / N,其中N是样例数

        2.for m=1,……M:

               a).训练弱分类器ym()，使其最小化权重误差函数（weighted error function）：

            

               b)接下来计算该弱分类器的话语权α：

                                                 

               c)更新权重：

                                           

                             其中Zm：

                                                 

                             是规范化因子，使所有w的和为1。(这里公式稍微有点乱)

           3.得到最后的分类器：

                              

三.原理

             可以看到整个过程就是和最上面那张图一样， 前一个分类器改变权重w，同时组成最后的分类器

              如果一个训练样例 在前一个分类其中被误分，那么它的权重会被加重，相应地，被正确分类的样例的权重会降低

             使得下一个分类器 会更在意被误分的样例，那么其中那些α和w的更新是怎么来的呢？

             下面我们从前项分步算法模型的角度来看看Adaboost：

             直接将前项分步加法模型具体到adaboost上：

                                  

              其中 fm是前m个分类器的结合

                                   

              此时我们要最小化E，同时要考虑α和yl，

              但现在我们假设前m-1个α和y都已经fixed了：那么

                                   

               其中 ，可以被看做一个常量，因为它里面没有αm和ym：

               接下来：

                                   

               其中Tm表示正分类的集合，Mm表示误分类的集合，这一步其实就是把上面那个式子拆开，没什么复杂的东西

               然后就是找ym了，就是最小化下式的过程，其实就是我们训练弱分类器

                                                

               有了ym，α也就可以找了，然后继续就可以找到更新w的公式了(注意这里得到的w公式是没有加规范化因子Z的公式，为了计算方便我们加了个Z进去)

             

四.实现

C++:http://blog.csdn.net/u012319493/article/details/53103192

python:

集成算法 实例:

http://blog.csdn.net/mlljava1111/article/details/50765517

adaboost python 实例:

http://blog.csdn.net/u014114990/article/details/51178899

https://github.com/justdark/dml/tree/master/dml