学习笔记——AdaBoost元算法

---

AdaBoost算法

当做重要决定时，大家可能都会考虑吸收多个专家而不是一个人的意见。机器学习处理问题时又何尝不是如此？这就是元算法（meta-algorithm)背后的思路。元算法是对其他算法进行组合的一种方式。接下里我们集中关注一个称作AdaBoost的元算法。

AdaBoost算法是集成学习的一种。集成学习就是构建多个“基学习器”，之后再将它们结合来完成学习任务的方法。集成学习通过将多个学习器进行综合，其性能通常比单个学习器要好。我们之前提过的随机森林就是集成学习的一种。

算法原理[2]

Adaboost算法：先从初始训练集合中训练出一个基学习器，再根据基学习器的表现对训练样本的权重进行调整，使得先前基学习器做错的样本在后续得到更多的关注，然后基于调整后的样本权重来训练下一个基学习器，直到基学习器的数目达到事先指定的数目M，最终将这M个学习器进行加权组合。

首先我们假设给定一个二分类的训练数据集：

$T=\left \{ (x_{1},y_{1}),(x_{2},y_{2}),\cdots (x_{n},y_{n}) \right \}$

其中 $x \epsilon R^{n}$,$y \epsilon \left \{ -1,+1 \right \}$。

初始化样本的权重为：

$D_{1}=\left \{ w_{11},w_{12}\cdots w_{1N} \right \}$,$w_{1i}=\frac{1}{N}$

第M个基分类器的样本权重为：

$D_{m}=\left \{ w_{m1},w_{m2}\cdots w_{mN} \right \}$,$\sum_{i=1}^{N} w_{mi}=1$

构建M个基学习器，最终的学习器即为基学习器的线性组合：

$f\left ( x \right )=\sum_{i=1}^{M}\alpha _{i}G _{i}\left ( x \right )$

其中$\alpha _{i}$ 为第$i$ 个基学习器的系数，$G_{i}\left (x \right )$ 为第$i$ 个基学习器

$G_{m}\left (x \right )$ 在训练集合中的分类误差率为：

$e_{m}=\sum_{i=1}^{N}P\left ( G_{m}\left ( x_{i} \right )\neq y_{i} \right )=\sum_{i=1}^{N}w_{mi}I\left ( G_{m}\left ( x_{i} \right )\neq y_{i} \right )$

在我们定义的基学习器中$e_{m}<0.5$ 。

再定义损失函数为指数损失函数

$L\left (y,f\left ( x \right ) \right )=E_{x\sim D}[exp(-yf(x))]$

其中y 是样本的实际类别，$f(x)$ 是预测的类别，样本$x$ 的权重服从D分布。E代表求期望。

定义了损失函数后，再来进行基分类器$G_{m}\left (x \right )$ 和系数$\alpha _{i}$ 的求取

第一个分类器$G_{1}(x)$是直接将基学习算法用于初始数据分布求得，之后不断迭代，生成$\alpha _{i}$和$G_{m}$ 。当第m个基分类器产生后,我们应该使得其在数据集第m轮样本权重基础上的指数损失最小，即

$L(\alpha_{m},G_{m}(x))=argmin$ $E_{x\sim D_{m}}[exp(-y\alpha _{m}G_{m}(x))]$

$=E_{x\sim D_{m}}[ \sum_{y_{i}=G_{m}(x_{i}))}^{ }e^{-\alpha _{m}}+\sum_{y_{i}\neq G_{m}(x_{i})}^{ }e^{-\alpha _{m}}]$

$=e^{-\alpha _{m}}P\left ( y_{i}=G_{m}\left ( x_{i} \right ) \right )+e^{\alpha _{m}}P\left ( y_{i}\neq G_{m}\left ( x_{i} \right ) \right )$

$=e^{-\alpha _{m}}(1-e_{m})+e^{\alpha _{m}}e_{m}$

求解$G_{m}(x)$ ，对任意的$\alpha>0$ ，最优的$G_{m}(x)$ 为

$G_{m}(x)=argmin\sum_{i=1}^{N}w_{mi}I(y_{i}\neq G_{m}(x_{i}))$

其中$w_{mi}$ 是第m 轮训练样本的权重。$G_{m}(x)$ 就是在第m 轮中使得加权训练样本误差率最小的分类器。

得到$G_{m}(x)$ 后，我们求$\alpha _{m}$ 。$\alpha _{m}$ 应使得损失函数最小，所以令下式对$\alpha _{m}$ 求导等于零：

$\frac{\partial L(\alpha _{m},G_{m}(x))}{\partial \alpha _{m}}=0$

得到$\alpha _{m}$ 的表达式：

$\alpha _{m}=\frac{1}{2}ln（\frac{1-e_{m}}{e_{m}}）$

由于$e_{m}<0.5$ ，所以 $\alpha _{m}>0$,且$\alpha _{m}$ 随着$e_{m}$ 的减小而增大。

这时候可以得到Adaboost的迭代公式：

$f_{m}(x)=f_{m-1}(x)+\alpha _{m}G_{m}(x)$

训练样本$D_{m}$ 变化为

$D_{m}=（w_{m,1},w_{m,2}\cdots w_{m,N}）$

$D_{m+1}=（w_{m+1,1},w_{m+1,2}\cdots w_{m+1,N}）$

$w_{m+1,i}=\frac{w_{mi}exp(-\alpha _{m}y_{i}G_{m}(x_{i}))}{Z_{m}}$

其中$Z_{m}=\sum_{i=1}^{N}w_{mi}exp(-\alpha _{m}y_{i}G_{m}(x_{i})))$ ，是个常数

算法代码[1]

'''
Created on Nov 28, 2010
Adaboost is short for Adaptive Boosting
@author: Peter
'''
from numpy import *

def loadSimpData():
    datMat = matrix([[ 1. ,  2.1],
        [ 2. ,  1.1],
        [ 1.3,  1. ],
        [ 1. ,  1. ],
        [ 2. ,  1. ]])
    classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
    return datMat,classLabels

def loadDataSet(fileName):      #general function to parse tab -delimited floats
    numFeat = len(open(fileName).readline().split('\t')) #get number of fields 
    dataMat = []; labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr =[]
        curLine = line.strip().split('\t')
        for i in range(numFeat-1):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelMat.append(float(curLine[-1]))
    return dataMat,labelMat

def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):#just classify the data
    retArray = ones((shape(dataMatrix)[0],1))
    if threshIneq == 'lt':
        retArray[dataMatrix[:,dimen] <= threshVal] = -1.0
    else:
        retArray[dataMatrix[:,dimen] > threshVal] = -1.0
    return retArray


def buildStump(dataArr,classLabels,D):
    dataMatrix = mat(dataArr); labelMat = mat(classLabels).T
    m,n = shape(dataMatrix)
    numSteps = 10.0; bestStump = {}; bestClasEst = mat(zeros((m,1)))
    minError = inf #init error sum, to +infinity
    for i in range(n):#loop over all dimensions
        rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max();
        stepSize = (rangeMax-rangeMin)/numSteps
        for j in range(-1,int(numSteps)+1):#loop over all range in current dimension
            for inequal in ['lt', 'gt']: #go over less than and greater than
                threshVal = (rangeMin + float(j) * stepSize)
                predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)#call stump classify with i, j, lessThan
                errArr = mat(ones((m,1)))
                errArr[predictedVals == labelMat] = 0
                weightedError = D.T*errArr  #calc total error multiplied by D
                #print "split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError)
                if weightedError < minError:
                    minError = weightedError
                    bestClasEst = predictedVals.copy()
                    bestStump['dim'] = i
                    bestStump['thresh'] = threshVal
                    bestStump['ineq'] = inequal
    return bestStump,minError,bestClasEst


def adaBoostTrainDS(dataArr,classLabels,numIt=40):
    weakClassArr = []
    m = shape(dataArr)[0]
    D = mat(ones((m,1))/m)   #init D to all equal
    aggClassEst = mat(zeros((m,1)))
    for i in range(numIt):
        bestStump,error,classEst = buildStump(dataArr,classLabels,D)#build Stump
        #print "D:",D.T
        alpha = float(0.5*log((1.0-error)/max(error,1e-16)))#calc alpha, throw in max(error,eps) to account for error=0
        bestStump['alpha'] = alpha  
        weakClassArr.append(bestStump)                  #store Stump Params in Array
        #print "classEst: ",classEst.T
        expon = multiply(-1*alpha*mat(classLabels).T,classEst) #exponent for D calc, getting messy
        D = multiply(D,exp(expon))                              #Calc New D for next iteration
        D = D/D.sum()
        #calc training error of all classifiers, if this is 0 quit for loop early (use break)
        aggClassEst += alpha*classEst
        #print "aggClassEst: ",aggClassEst.T
        aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1)))
        errorRate = aggErrors.sum()/m
        print ("total error:" ,errorRate)
        if errorRate == 0.0: break
    return weakClassArr,aggClassEst

def adaClassify(datToClass,classifierArr):
    dataMatrix = mat(datToClass)#do stuff similar to last aggClassEst in adaBoostTrainDS
    m = shape(dataMatrix)[0]
    aggClassEst = mat(zeros((m,1)))
    for i in range(len(classifierArr)):
        classEst = stumpClassify(dataMatrix,classifierArr[i]['dim'],\
                                 classifierArr[i]['thresh'],\
                                 classifierArr[i]['ineq'])#call stump classify
        aggClassEst += classifierArr[i]['alpha']*classEst
        print (aggClassEst)
    return sign(aggClassEst)

def plotROC(predStrengths, classLabels):
    import matplotlib.pyplot as plt
    cur = (1.0,1.0) #cursor
    ySum = 0.0 #variable to calculate AUC
    numPosClas = sum(array(classLabels)==1.0)
    yStep = 1/float(numPosClas); xStep = 1/float(len(classLabels)-numPosClas)
    sortedIndicies = predStrengths.argsort()#get sorted index, it's reverse
    fig = plt.figure()
    fig.clf()
    ax = plt.subplot(111)
    #loop through all the values, drawing a line segment at each point
    for index in sortedIndicies.tolist()[0]:
        if classLabels[index] == 1.0:
            delX = 0; delY = yStep;
        else:
            delX = xStep; delY = 0;
            ySum += cur[1]
        #draw line from cur to (cur[0]-delX,cur[1]-delY)
        ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY], c='b')
        cur = (cur[0]-delX,cur[1]-delY)
    ax.plot([0,1],[0,1],'b--')
    plt.xlabel('False positive rate'); plt.ylabel('True positive rate')
    plt.title('ROC curve for AdaBoost horse colic detection system')
    ax.axis([0,1,0,1])
    plt.show()
    print ("the Area Under the Curve is: ",ySum*xStep)

算法实例

这里给出一个简单的例子，又是鸢尾花，用它的前两个特征进行训练，来看看训练集上的正确率。
这里只抽取了后100个数据分为两种进行测试

datArr,labelArr = loadDataSet('iris.txt')
print(datArr[50:150],labelArr[50:150])
classifierArray,aggClassEst = adaBoostTrainDS(datArr[0:100],labelArr[0:100],20)
plotROC(aggClassEst.T,labelArr)

可能是在处理数据集或其他情况处理出错导致结果并不是很好。以后会进行改进

参考文献

[1]《机器学习实战》
[2]https://zhuanlan.zhihu.com/p/30676249