Boosting就是集成多个弱学习器,每个弱学习器都是针对训练数据的不同子集训练得到的,而每个弱学习器都会根据前一个弱学习器的表现进行加权,从而使得模型更加关注之前被错误分类的样本,进而提高模型的预测准确率和预测性能。
1、Ada Boosting
AdaBoost(Adaptive Boosting),其核心思想是通过逐步地加入新的弱学习器,不断提高被错误分类的样本的权重,从而使得后续的弱学习器更加关注这些被错误分类的样本,进而提高整个模型的性能。
代码示例:
#生产随机数据
from sklearn import datasets
X, y = datasets.make_moons(n_samples=500, noise=0.3, random_state=666)
#切分
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=666)
#借助sklearn接口实现adaboosting
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
ada_clf = AdaBoostClassifier(
DecisionTreeClassifier(max_depth=2),
n_estimators=500) #集成500个分类器
ada_clf.fit(X_train, y_train)
ada_clf.score(X_test, y_test)
2、Gradient Boosting
以AdaBoost为基础进行扩展或改进的,它们的核心思想都是通过不断迭代和加权,将多个弱学习器集成成一个强学习器,从而提高模型的泛化能力和预测准确率。
训练第一个模型h1,产生错误e1;
针对e1训练第二个模型h2,产生错误e2;
针对e2训练第三个模型h3,产生错误e3;
最终预测据结果是:h1+h2+h3。
代码示例:
from sklearn.ensemble import GradientBoostingClassifier
gb_clf = GradientBoostingClassifier(max_depth=2, n_estimators=500) #默认决策树
gb_clf.fit(X_train, y_train)
gb_clf.score(X_test, y_test)
3、Boosting解决回归问题
from sklearn.ensemble import AdaBoostRegressor
from sklearn.ensemble import GradientBoostingRegressor