提升方法（Boosting）

最新推荐文章于 2025-03-20 09:14:00 发布

Michael阿明

最新推荐文章于 2025-03-20 09:14:00 发布

阅读量2.6k

点赞数 12

分类专栏：《统计学习方法》学习笔记

本文链接：https://blog.csdn.net/qq_21201267/article/details/105080667

版权

《统计学习方法》学习笔记专栏收录该内容

23 篇文章

订阅专栏

本文深入讲解AdaBoost算法，包括其工作原理、训练误差分析及在sklearn中的应用实例。AdaBoost通过组合多个弱分类器形成强分类器，适用于分类问题，能够通过调整样本权重提升模型性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

提升（boosting）方法是一种常用的统计学习方法，应用广泛且有效。

在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。

1. 提升方法AdaBoost算法

思路：多个算法的判断结果综合
弱学习方法容易获得，通过组合一系列弱学习方法，提升出来强学习方法
大多数提升方法：改变训练数据的概率分布（权值分布）
如何改变权值或概率分布：AdaBoost 的做法是，提高被前一轮弱分类器错误分类样本的权值，没有得到正确分类的数据，由于其权值的加大而受到后一轮的弱分类器的更大关注
如何将弱分类器组合：AdaBoost 采取加权多数表决的方法。
加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用；减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用。

AdaBoost 模型是弱分类器的线性组合：

$f(x)=\sum_{m=1}^{M} \alpha_{m} G_{m}(x)$

AdaBoost 算法每次迭代中，提高前一轮分类器错误分类数据的权值，降低被正确分类的数据的权值。
AdaBoost 将基本分类器的线性组合作为强分类器，给分类误差率小的基本分类器大的权值，给分类误差率大的基本分类器小的权值。

算法步骤：

1）给每个训练样本（ $x_{1},x_{2},….,x_{N}$ ）分配权重，初始权重 $w_{1i}$ 均为 $\frac{1}{N}$ 。

2）针对带有权值的样本进行训练，得到基本分类器 $G_m$ （初始模型为 $G 1$ ）。

3）计算模型 $G_m$ 的误分率 $e_m=\sum\limits_{i=1}^N w_{mi} I(y_i\not= G_m(x_i))$

4）计算模型 $G_m$ 的系数 $\alpha_m=\frac{1}{2} \ln \frac{1-e_m}{e_m}$

5）根据误分率 $e$ 和当前权重向量 $w_m$ 更新权重向量 $w_{m+1}$
$w_{m+1,i} = \frac{w_{m,i}}{Z_m} \exp (-\alpha_my_iG_m(x_i))$
$Z_m$ 是规范化因子， $Z_m = \sum\limits_{i=1}^M w_{m,i} \exp (-\alpha_my_iG_m(x_i))$

6）计算组合模型 $f(x)=\sum\limits_{m=1}^M \alpha_mG_m(x_i)$ 的误分率。

7）当组合模型的误分率或迭代次数低于一定阈值，停止迭代；否则，回到步骤 2）

2. AdaBoost算法训练误差分析

书上有定理证明，AdaBoost 算法能在学习的过程中，不断减少训练误差。

AdaBoost 具有适应性，即它能适应弱分类器各自的训练误差率。这也是它的名称（适应的提升）的由来，Ada是Adaptive的简写。

3. AdaBoost算法的解释

AdaBoost 算法的一个解释是该算法实际是前向分步算法的一个实现。

在这个方法里，模型是加法模型，损失函数是指数损失，算法是前向分步算法。

每一步中极小化损失函数

$\left(\beta_{m}, \gamma_{m}\right)=\arg \min _{\beta, \gamma} \sum_{i=1}^{N} L\left(y_{i}, f_{m-1}\left(x_{i}\right)+\beta b\left(x_{i} ; \gamma\right)\right)$

得到参数 $\beta_{m}, \gamma_{m}$ 。

4. 提升树

提升树是以分类树或回归树为基本分类器的提升方法。提升树被认为是统计学习中最有效的方法之一。

提升方法实际采用加法模型（即基函数的线性组合）与前向分步算法。

以决策树为基函数的提升方法称为提升树（boosting tree）。

5. sklearn 实例

sklearn.ensemble.AdaBoostClassifier

class sklearn.ensemble.AdaBoostClassifier(base_estimator=None,
n_estimators=50, learning_rate=1.0, algorithm='SAMME.R',
 random_state=None)

algorithm：这个参数只有AdaBoostClassifier有。有两种Adaboost分类算法，SAMME和SAMME.R。
主要区别是弱学习器权重的度量，SAMME使用分类效果作为弱学习器权重，而SAMME.R使用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。
注意使用了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。
n_estimators： AdaBoostClassifier和AdaBoostRegressor都有，是弱学习器的最大迭代次数，或者说最大的弱学习器的个数。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
base_estimator：AdaBoostClassifier和AdaBoostRegressor都有，即弱分类学习器或者弱回归学习器。常用的是CART决策树或者神经网络MLP。

参考：https://github.com/fengdu78/lihang-code

# -*- coding:utf-8 -*-
# @Python Version: 3.7
# @Time: 2020/3/24 23:13
# @Author: Michael Ming
# @Website: https://michael.blog.csdn.net/
# @File: AdaBoost.py
# @Reference: https://github.com/fengdu78/lihang-code
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import AdaBoostClassifier
from sklearn.datasets import load_iris

data = [[0, 1, 3, -1],
        [0, 3, 1, -1],
        [1, 2, 2, -1],
        [1, 1, 3, -1],
        [1, 2, 3, -1],
        [0, 1, 2, -1],
        [1, 1, 2, 1],
        [1, 1, 1, 1],
        [1, 3, 1, -1],
        [0, 2, 1, -1]]
data = pd.DataFrame(np.array(data))
X, y = data.iloc[:, 0:-1], data.iloc[:, -1]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
clf = AdaBoostClassifier(n_estimators=50, learning_rate=0.5)
clf.fit(X_train, y_train)
print(clf.score(X_test, y_test))