adaboost算法以及sklearn实现

Adaboost分类器

非集成的机器学习算法就像古代皇帝一样，一个人说了算；集成学习算法类似于现在的国会，需要听取在会所有人的意见。

Adaboost是一个集成学习算法，下面将会对算法进行拆解，以使我们明白Adaboost的内部原理。

Adboost算法核心内容可以划分为两个问题：

（1）如何构建弱分类器；

（2）如何组合这些弱分类器。

其中（1）又可以细化为：

1）使用哪种模型作为弱分类器的主算法？SVM还是DecisionTree，又或者是LogisticRegression；

2）如何使用原始数据？全部使用还是随机抽取又或者是分批使用；

3）到底应该训练出多少个弱分类器？

解决完这些问题，整个Adaboost算法就非常清晰了。

 

1.构建弱分类器

1.1 弱分类器的主算法

这个由设计者自己选择，Adboost算法不强制规定选择那种算法作为弱分类器的主算法。

1.2 原始数据集的使用

Adaboost算法会使用全部的训练集来训练弱分类器，并不会进行类似于随机抽取或者分批的操作；但是Adaboost会给每个训练数据添加一个权重系数。

目前只需要直到Adboost算法使用全部的训练集训练模型，并为每个数据增加了一个权重系数这两点就可以了。

1.3 弱分类器的个数

这个Adaboost算法中也没有强制规定，开发人员可以自己规定弱分类器个数，或者自己设置停止迭代的条件。

1.4 弱分类器训练过程

假设总训练集为D，训练集的样本个数为N，最多训练M个弱分类器；

m代表正准备训练的分类器的编号；

Wi

表示第i个弱分类器的权重列表，Wi,j

代表第i个弱分类器的第j个数据的权值，i，j都从0开始计

在这些条件下，弱分类器的训练过程如下：

1）初始化权重系数W并初始化m=0；

W0,j=1Nj∈[0,1,2⋯N−1]

2）若m大于M-1，停止弱分类器训练，准备组合弱分类器；

3）否则使用带权重的训练数据训练弱分类器，得到弱分类器Gm(x)；

4）计算弱分类器Gm(x)

在训练集上的错误率：

yˆm=Gm(x)

εm=Wm⋅(yˆm≠y)

5)计算相关系数：

αm=0.5log1−εmεm

6）更新权重：

Wm+1=Wm×exp(−αm×yˆ×y)

归一化权重

Wm+1=Wm+1/(∑Wm+1,j)

7)令m=m+1

,查是否达到迭代终止条件，否的话跳到第2）步继续；

8）达到条件的话终止迭代，准备组合弱分类器。

2.组合弱分类器

这个时候上一节中求的相关系数就用上了，最终的强分类器F(x)

F(x)=∑M−1i=0αiGi(X)

当F(x)>0，预测为正

 

sklearn.ensemble.AdaBoostClassifier()函数全称AdaBoost分类器。

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

参数：

    base_estimator： 可选参数，默认为DecisionTreeClassifier。理论上可以选择任何一个分类或者回归学习器，不过需要支持样本权重。我们常用的一般是CART决策树或者神经网络MLP。默认是决策树，即AdaBoostClassifier默认使用CART分类树DecisionTreeClassifier，而AdaBoostRegressor默认使用CART回归树DecisionTreeRegressor。另外有一个要注意的点是，如果我们选择的AdaBoostClassifier算法是SAMME.R，则我们的弱分类学习器还需要支持概率预测，也就是在scikit-learn中弱分类学习器对应的预测方法除了predict还需要有predict_proba。

    algorithm： 可选参数，默认为SAMME.R。scikit-learn实现了两种Adaboost分类算法，SAMME和SAMME.R。两者的主要区别是弱学习器权重的度量，SAMME使用对样本集分类效果作为弱学习器权重，而SAMME.R使用了对样本集分类的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。我们一般使用默认的SAMME.R就够了，但是要注意的是使用了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： 整数型，可选参数，默认为50。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。在实际调参的过程中，我们常常将n_estimators和下面介绍的参数learning_rate一起考虑。
    learning_rate： 浮点型，可选参数，默认为1.0。每个弱学习器的权重缩减系数，取值范围为0到1，对于同样的训练集拟合效果，较小的v意味着我们需要更多的弱学习器的迭代次数。通常我们用步长和迭代最大次数一起来决定算法的拟合效果。所以这两个参数n_estimators和learning_rate要一起调参。一般来说，可以从一个小一点的v开始调参，默认是1。
    random_state： 整数型，可选参数，默认为None。如果RandomState的实例，random_state是随机数生成器; 如果None，则随机数生成器是由np.random使用的RandomState实例。

还有其他参数：

例子

>>> from sklearn.ensemble import AdaBoostClassifier
>>> from sklearn.datasets import make_classification
>>> X, y = make_classification(n_samples=1000, n_features=4,
...                            n_informative=2, n_redundant=0,
...                            random_state=0, shuffle=False)
>>> clf = AdaBoostClassifier(n_estimators=100, random_state=0)
>>> clf.fit(X, y)  
AdaBoostClassifier(algorithm='SAMME.R', base_estimator=None,
        learning_rate=1.0, n_estimators=100, random_state=0)
>>> clf.feature_importances_  
array([0.28..., 0.42..., 0.14..., 0.16...])
>>> clf.predict([[0, 0, 0, 0]])
array([1])
>>> clf.score(X, y)  
0.983...

参考博客https://blog.csdn.net/TeFuirnever/article/details/100276569

下面这个链接讲adaboost算法很详细

https://blog.csdn.net/TeFuirnever/article/details/100191706