提升方法AdaBoost算法
提升方法的基本思路
在概率近似正确(PAC)学习的框架中,如果存在一个多项式的学习算法能够学习它,学习的正确率仅比随机的好,那么就称为弱可学习,而强可学习与弱可学习是等价的,所以可以通过方法来提升弱可学习为强可学习,AdaBoost算法采取加权多数表决的方式来减少误差率
AdaBoost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)}其中 x i ∈ R n , y i ∈ { − 1 , + 1 } x_i \in R^n, y_i \in \{-1,+1\} xi∈Rn,yi∈{
−1,+1}
输出:最终分类器 G ( x ) G(x) G(x)
( 1 ) (1) (1)初始化训练数据权值分布
D 1 = ( w 11 , w 12 , . . . , w 1 N ) , w 1 i = 1 N , i = 1 , 2 , . . . . , N D_1=(w_{11},w_{12},...,w_{1N}), \ \ \ \ \ \ w_{1i}=\frac{1}{N},\ \ \ \ \ i=1,2,....,N D1=(w11,w12,...,w1N), w1i=N1, i=1,2,....,N
( 2 ) (2) (2)对 m = 1 , 2 , . . . . , M m=1,2,....,M m=1,2,....,M
- ( a ) (a) (a)使用权值分布 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 \to \{-1,+1\} Gm(x):X→{ −1,+1} - ( b ) (b) (b)计算 G m ( x ) G_m(x) Gm(x)在训练数据集上的分类误差率,选择误差率最小的作为 G m ( x ) G_m(x) Gm(x)
e m = ∑ i = 1 N P ( G m ( x i ) ≠ y i ) = ∑ i = 1 N w m i I ( G m ( x i ) ≠ y i ) e_m=\sum\limits_{i=1}^NP(G_m(x_i) \ne y_i)=\sum\limits_{i=1}^Nw_{mi}I(G_m(x_i)\ne y_i) em=i=1∑NP(Gm(xi)=yi)=i=1∑NwmiI(Gm(xi)=yi) - ( c ) (c) (c)计算 G m ( x ) G_m(x) Gm(x)的系数
a m = 1 2 log 1 − e m e m a_m=\frac{1}{2} \log \frac{1-e_m}{e_m} am=21logem1−em - ( d ) (d) (d)更新训练数集的权值分布
D m + 1 = ( w m + 1 , 1 , w m + 1 , 2 , . . . , w m + 1 , N ) D_{m+1}=(w_{m+1,1},w_{m+1,2},...,w_{m+1,N}) Dm+1=(wm+1,1,wm+1,2,...,wm+1,N)
w m + 1 , i = w m i Z m exp ( − a m y i G m ( x i ) ) , i = 1 , 2 , . . . , N w_{m+1,i}=\frac{w_{mi}}{Z_m}\exp (-a_my_iG_m(x_i)),\ \ \ \ \ \ i=1,2,...,N wm+1,i=Zmwmiexp(−amyiGm(xi)), i=1,2,...,N
其中
Z m = ∑ i = 1 N w m i exp ( − a m y i G m ( x i ) ) Z_m=\sum\limits_{i=1}^Nw_{mi}\exp (-a_my_iG_m(x_i)) Zm=i=1∑Nwmiexp(−amyiGm(xi))
( 3 ) (3) (3)构建基本分类器的线性组合
f ( x ) = ∑ m = 1 M a m G m ( x ) f(x)=\sum\limits_{m=1}^Ma_mG_m(x) f(x)=m=1∑MamGm(x)
G ( x ) = s i g n ( f ( x ) ) = s i g n ( ∑ m = 1 M a m G m ( x ) ) G(x)=sign(f(x))=sign(\sum\limits_{m=1}^Ma_mG_m(x)) G(x)=sign(f(x))=sign(m=1∑MamGm(x))
如果被误分类,则权值被放大
e 2 a m = 1 − e m e m e^{2a_m}=\frac{1-e_m}{e_m} e2am=em1−em
倍
AdaBoost算法的训练误差分析
AdaBoost算法最终分类器的训练误差界为
1 N ∑ i = 1 N I ( G ( x i ) ≠ y i ) ≤ 1 N ∑ i = 1 N exp ( − y i f ( x i ) ) = ∏ i = 1 N Z i \frac{1}{N}\sum\limits_{i=1}^NI(G(x_i)\ne y_i) \le \frac{1}{N}\sum\limits_{i=1}^N \exp(-y_if(x_i))=\prod\limits_{i=1}^NZ_i N1i=1∑NI(G(x