最近在看集成算法AdaBoost,推荐先看李航的统计学习方法第8章,然后再看机器学习实战第7章,李航的书上的公式推导讲的很详细了,但是很多地方对于初学者来说,还是需要时间去理解和消化的。本文将从以下几个方面来介绍AdaBoost算法。
一、AdaBoost算法公式推导
二、AdaBoost相关例子讲解
三、AdaBoost的toy algorithm的python实现
四、启发和思考“为什么”,“如何做”
一、AdaBoost算法公式推导
AdaBoost,是英文"Adaptive Boosting"(自适应增强)的缩写,由Yoav Freund和Robert Schapire在1995年提出。它的自适应在于:前一个基本分类器分错的样本会得到加强,加权后的全体样本再次被用来训练下一个基本分类器。同时,在每一轮中加入一个新的弱分类器,直到达到某个预定的足够小的错误率或达到预先指定的最大迭代次数。
具体说来,整个Adaboost 迭代算法就3步:
- 初始化训练数据的权值分布。如果有N个样本,则每一个训练样本最开始时都被赋予相同的权值:1/N。
- 训练弱分类器。具体训练过程中,如果某个样本点已经被准确地分类,那么在构造下一个训练集中,它的权值就被降低;相反,如果某个样本点没有被准确地分类,那么它的权值就得到提高。然后,权值更新过的样本集被用于训练下一个分类器,整个训练过程如此迭代地进行下去。
- 将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后,加大分类误差率小的弱分类器的权重,使其在最终的分类函数中起着较大的决定作用,而降低分类误差率大的弱分类器的权重,使其在最终的分类函数中起着较小的决定作用。换言之,误差率低的弱分类器在最终分类器中占的权重较大,否则较小。
算法流程:
Adaboost的算法流程如下:
- 步骤1. 首先,初始化训练数据的权值分布。每一个训练样本最开始时都被赋予相同的权值:1/N。
- 步骤2. 进行多轮迭代,用m = 1,2, ..., M表示迭代的第多少轮
a. 使用具有权值分布Dm的训练数据集学习,得到基本分类器(选取让误差率最低的阈值来设计基本分类器):
b . 计算Gm(x)在训练数据集上的分类误差率
由上述式子可知,Gm(x)在训练数据集上的 误差率em就是被Gm(x)误分类样本的权值之和。
d . 更新训练数据集的权值分布(目的:得到样本的新的权值分布),用于下一轮迭代由上述式子可知,em <= 1/2时,am >= 0,且am随着em的减小而增大,意味着分类误差率越小的基本分类器在最终分类器中的作用越大。
使得被基本分类器Gm(x)误分类样本的权值增大,而被正确分类样本的权值减小。就这样,通过这样的方式,AdaBoost方法能“重点关注”或“聚焦于”那些较难分的样本上。
其中,Zm是规范化因子,使得Dm+1成为一个概率分布:
- 步骤3. 组合各个弱分类器
从而得到最终分类器,如下:
二、AdaBoost相关例子讲解
下面,给定下列训练样本,请用AdaBoost算法学习一个强分类器。
求解过程:初始化训练数据的权值分布,令每个权值W1i = 1/N = 0.1,其中,N = 10,i = 1,2, ..., 10,然后分别对于m = 1,2,3, ...等值进行迭代。
拿到这10个数据的训练样本后,根据 X 和 Y 的对应关系,要把这10个数据分为两类,一类是“1”,一类是“-1”,根据数据的特点发现:“0 1 2”这3个数据对应的类是“1”,“3 4 5”这3个数据对应的类是“-1”,“6 7 8”这3个数据对应的类是“1”,9是比较孤独的,对应类“-1”。抛开孤独的9不讲,“0 1 2”、“3 4 5”、“6 7 8”这是3类不同的数据,分别对应的类是1、-1、1,直观上推测可知,可以找到对应的数据分界点,比如2.5、5.5、8.5 将那几类数据分成两类。当然,这只是主观臆测,下面实际计算下这个具体过程。
迭代过程1
对于m=1,在权值分布为D1(10个数据,每个数据的权值皆初始化为0.1)的训练数据上,经过计算可得:
-
- 阈值v取2.5时误差率为0.3(x < 2.5时取1,x > 2.5时取-1,则6 7 8分错,误差率为0.3),
- 阈值v取5.5时误差率最低为0.4(x < 5.5时取1,x > 5.5时取-1,则3 4 5 6 7 8皆分错,误差率0.6大于0.5,不可取。故令x > 5.5时取1,x < 5.5时取-1,则0 1 2 9分错,误差率为0.4),
- 阈值v取8.5时误差率为0.3(x < 8.5时取1,x > 8.5时取-1,则3 4 5分错,误差率为0.3)。
可以看到,无论阈值v取2.5,还是8.5,总得分错3个样本,故可任取其中任意一个如2.5,弄成第一个基本分类器为:
上面说阈值v取2.5时则6 7 8分错,所以误差率为0.3,更加详细的解释是:因为样本集中
-
- 0 1 2对应的类(Y)是1,因它们本身都小于2.5,所以被G1(x)分在了相应的类“1”中,分对了。
- 3 4 5本身对应的类(Y)是-1,因它们本身都大于2.5,所以被G1(x)分在了相应的类“-1”中,分对了。
- 但6 7 8本身对应类(Y)是1,却因它们本身大于2.5而被G1(x)分在了类"-1"中,所以这3个样本被分错了。
- 9本身对应的类(Y)是-1,因它本身大于2.5,所以被G1(x)分在了相应的类“-1”中,分对了。
从而得到G1(x)在训练数据集上的误差率(被G1(x)误分类样本“6 7 8”的权值之和)e1=P(G1(xi)≠yi) = 3*0.1 = 0.3。
然后根据误差率e1计算G1的系数:
这个a1代表G1(x)在最终的分类函数中所占的权重,为0.4236。
接着 更新训练数据的权值分布,用于下一轮迭代:
值得一提的是,由权值更新的公式可知,每个样本的新权值是变大还是变小,取决于它是被分错还是被分正确。
即如果某个样本被分错了,则yi * Gm(xi)为负,负负得正,结果使得整个式子变大(样本权值变大),否则变小。
第一轮迭代后,最后得到各个数据新的权值分布D2 = (0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.1666, 0.1666, 0.1666, 0.0715)。由此可以看出,因为样本中是数据“6 7 8”被G1(x)分错了,所以它们的权值由之前的0.1增大到0.1666,反之,其它数据皆被分正确,所以它们的权值皆由之前的0.1减小到0.0715。
分类函数f1(x)= a1*G1(x) = 0.4236G1(x)。
此时,得到的第一个基本分类器sign(f1(x))在训练数据集上有3个误分类点(即6 7 8)。
从上述第一轮的整个迭代过程可以看出:被误分类样本的权值之和影响误差率,误差率影响基本分类器在最终分类器中所占的权重。
迭代过程2
对于m=2,在权值分布为D2 = (0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.1666, 0.1666, 0.1666, 0.0715)的训练数据上,经过计算可得:
-
- 阈值v取2.5时误差率为0.1666*3(x < 2.5时取1,x > 2.5时取-1,则6 7 8分错,误差率为0.1666*3),
- 阈值v取5.5时误差率最低为0.0715*4(x > 5.5时取1,x < 5.5时取-1,则0 1 2 9分错,误差率为0.0715*3 + 0.0715),
- 阈值v取8.5时误差率为0.0715*3(x < 8.5时取1,x > 8.5时取-1,则3 4 5分错,误差率为0.0715*3)。
所以,阈值v取8.5时误差率最低,故第二个基本分类器为:
面对的还是下述样本:
很明显,G2(x)把样本“3 4 5”分错了,根据D2可知它们的权值为0.0715, 0.0715, 0.0715,所以G2(x)在训练数据集上的误差率e2=P(G2(xi)≠yi) = 0.0715 * 3 = 0.2143。
计算G2的系数:
更新训练数据的权值分布:
D3 = (0.0455, 0.0455, 0.0455, 0.1667, 0.1667, 0.01667 , 0.1060, 0.1060, 0.1060, 0.0455)。被分错的样本“ 3 4 5 ”的权值变大,其它被分对的样本的权值变小。
f2(x)=0.4236G1(x) + 0.6496G2(x)
此时,得到的第二个基本分类器sign(f2(x))在训练数据集上有3个误分类点(即3 4 5)。
迭代过程3
对于m=3,在权值分布为D3 = (0.0455, 0.0455, 0.0455, 0.1667, 0.1667, 0.01667, 0.1060, 0.1060, 0.1060, 0.0455)的训练数据上,经过计算可得:
-
- 阈值v取2.5时误差率为0.1060*3(x < 2.5时取1,x > 2.5时取-1,则6 7 8分错,误差率为0.1060*3),
- 阈值v取5.5时误差率最低为0.0455*4(x > 5.5时取1,x < 5.5时取-1,则0 1 2 9分错,误差率为0.0455*3 + 0.0715),
- 阈值v取8.5时误差率为0.1667*3(x < 8.5时取1,x > 8.5时取-1,则3 4 5分错,误差率为0.1667*3)。
所以阈值v取5.5时误差率最低,故第三个基本分类器为:
依然还是原样本:
此时,被误分类的样本是:0 1 2 9,这4个样本所对应的权值皆为0.0455,
所以G3(x)在训练数据集上的误差率e3 = P(G3(xi)≠yi) = 0.0455*4 = 0.1820。
计算G3的系数:
更新训练数据的权值分布:
D4 = (0.125, 0.125, 0.125, 0.102, 0.102, 0.102, 0.065, 0.065, 0.065, 0.125)。被分错的样本“0 1 2 9”的权值变大,其它被分对的样本的权值变小。
f3(x)=0.4236G1(x) + 0.6496G2(x)+0.7514G3(x)
此时,得到的第三个基本分类器sign(f3(x))在训练数据集上有0个误分类点。至此,整个训练过程结束。
现在,咱们来总结下3轮迭代下来,各个样本权值和误差率的变化,如下所示(其中,样本权值D中加了下划线的表示在上一轮中被分错的样本的新权值):
- 训练之前,各个样本的权值被初始化为D1 = (0.1, 0.1,0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1, 0.1);
- 第一轮迭代中,样本“6 7 8”被分错,对应的误差率为e1=P(G1(xi)≠yi) = 3*0.1 = 0.3,此第一个基本分类器在最终的分类器中所占的权重为a1 = 0.4236。第一轮迭代过后,样本新的权值为D2 = (0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.1666, 0.1666, 0.1666, 0.0715);
- 第二轮迭代中,样本“3 4 5”被分错,对应的误差率为e2=P(G2(xi)≠yi) = 0.0715 * 3 = 0.2143,此第二个基本分类器在最终的分类器中所占的权重为a2 = 0.6496。第二轮迭代过后,样本新的权值为D3 = (0.0455, 0.0455, 0.0455, 0.1667, 0.1667, 0.01667, 0.1060, 0.1060, 0.1060, 0.0455);
- 第三轮迭代中,样本“0 1 2 9”被分错,对应的误差率为e3 = P(G3(xi)≠yi) = 0.0455*4 = 0.1820,此第三个基本分类器在最终的分类器中所占的权重为a3 = 0.7514。第三轮迭代过后,样本新的权值为D4 = (0.125, 0.125, 0.125, 0.102, 0.102, 0.102, 0.065, 0.065, 0.065, 0.125)。
从上述过程中可以发现,如果某些个样本被分错,它们在下一轮迭代中的权值将被增大,同时,其它被分对的样本在下一轮迭代中的权值将被减小。就这样,分错样本权值增大,分对样本权值变小,而在下一轮迭代中,总是选取让误差率最低的阈值来设计基本分类器,所以误差率e(所有被Gm(x)误分类样本的权值之和)不断降低。
综上,将上面计算得到的a1、a2、a3各值代入G(x)中,G(x) = sign[f3(x)] = sign[ a1 * G1(x) + a2 * G2(x) + a3 * G3(x) ],得到最终的分类器为:
G(x) = sign[f3(x)] = sign[ 0.4236G1(x) + 0.6496G2(x)+0.7514G3(x) ]。
"""
6 AdaBoost提升算法:(自适应boosting)
7 优点:泛化错误率低,易编码,可以应用在大部分分类器上,无参数调整
8 缺点:对离群点敏感
9
10 bagging:自举汇聚法(bootstrap aggregating)
11 基于数据随机重抽样的分类器构建方法
12 原始数据集中重新选择S次得到S个新数据集,将磨沟算法分别作用于这个数据集,
13 最后进行投票,选择投票最多的类别作为分类类别
14
15 boosting:类似于bagging,多个分类器类型都是相同的
16
17 boosting是关注那些已有分类器错分的数据来获得新的分类器,
18 bagging则是根据已训练的分类器的性能来训练的。
19
20 boosting分类器权重不相等,权重对应与上一轮迭代成功度
21 bagging分类器权重相等
22 """
23 from numpy import*
24
25
26 class Adaboosting(object):
27
28 def loadSimpData(self):
29 datMat = matrix(
30 [[1., 2.1],
31 [2., 1.1],
32 [1.3, 1.],
33 [1., 1.],
34 [2., 1.]])
35 classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
36 return datMat, classLabels
37
38 def stumpClassify(self, datMat, dimen, threshVal, threshIneq):
39 """
40 通过阈值比较进行分类
41 dataMat:数据矩阵
42 dimen:表示列下标
43 threshVal:阈值
44 threshIneq:不等号 lt, gt
45 只是简单的将数据分为两类-1,1,初始化了一个全1的矩阵,我们判断一下阈值第i列小于/大于阈值的就为-1,(因为我们并不清楚这个划分标准,所以要大于小于都试一次)
46
47 每一个维度的所有数据跟阈值比较,就相当于找到一个点划分所有数据。
48
49 """
50 # print "-----data-----"
51 # print datMat
52 retArr = ones((shape(datMat)[0], 1)) # m(数据量)行,1列,列向量
53 if threshIneq == 'lt':
54 retArr[datMat[:, dimen] <= threshVal] = -1.0 # 小于阈值的列都为-1
55 else:
56 retArr[datMat[:, dimen] > threshVal] = -1.0 # 大于阈值的列都为-1
57 # print "---------retArr------------"
58 # print retArr
59 return retArr
60
61 def buildStump(self, dataArr, classLables, D):
62 """
63 单层决策树生成函数
64 """
65 dataMatrix = mat(dataArr)
66 lableMat = mat(classLables).T
67 m, n = shape(dataMatrix)
68 numSteps = 10.0 # 步数,影响的是迭代次数,步长
69 bestStump = {} # 存储分类器的信息
70 bestClassEst = mat(zeros((m, 1))) # 最好的分类器
71 minError = inf # 迭代寻找最小错误率
72 for i in range(n):
73 # 求出每一列数据的最大最小值计算步长
74 rangeMin = dataMatrix[:, i].min()
75 rangeMax = dataMatrix[:, i].max()
76 stepSize = (rangeMax - rangeMin) / numSteps
77 # j唯一的作用用步数去生成阈值,从最小值大最大值都与数据比较一边了一遍
78 for j in range(-1, int(numSteps) + 1):
79 threshVal = rangeMin + float(j) * stepSize # 阈值
80 for inequal in ['lt', 'gt']:
81 predictedVals = self.stumpClassify(
82 dataMatrix, i, threshVal, inequal)
83 errArr = mat(ones((m, 1)))
84 errArr[predictedVals == lableMat] = 0 # 为1的 表示i分错的
85 weightedError = D.T * errArr # 分错的个数*权重(开始权重=1/M行)
86 # print "split: dim %d, thresh %.2f, thresh ineqal:\
87 #%s,the weighted error is %.3f" % (i, threshVal, inequal, weightedError)
88 if weightedError < minError: # 寻找最小的加权错误率然后保存当前的信息
89 minError = weightedError
90 bestClassEst = predictedVals.copy() # 分类结果
91 bestStump['dim'] = i
92 bestStump['thresh'] = threshVal
93 bestStump['ineq'] = inequal
94 # print bestStump
95 # print minError
96 # print bestClassEst # 类别估计
97 return bestStump, minError, bestClassEst
98
99 def adaBoostingDs(self, dataArr, classLables, numIt=40):
100 """
101 基于单层决策树的AdaBoosting训练过程:
102 """
103 weakClassArr = [] # 最佳决策树数组
104 m = shape(dataArr)[0]
105 D = mat(ones((m, 1)) / m)
106 aggClassEst = mat(zeros((m, 1)))
107 for i in range(numIt):
108 bestStump, minError, bestClassEst = self.buildStump(
109 dataArr, classLables, D)
110 print "bestStump:", bestStump
111 print "D:", D.T
112 alpha = float(
113 0.5 * log((1.0 - minError) / max(minError, 1e-16)))
114 bestStump['alpha'] = alpha
115 weakClassArr.append(bestStump)
116 print "alpha:", alpha
117 print "classEst:", bestClassEst.T # 类别估计
118
119 expon = multiply(-1 * alpha * mat(classLables).T, bestClassEst)
120 D = multiply(D, exp(expon))
121 D = D / D.sum()
122
123 aggClassEst += alpha * bestClassEst
124 print "aggClassEst ;", aggClassEst.T
125 # 累加错误率
126 aggErrors = multiply(sign(aggClassEst) !=
127 mat(classLables).T, ones((m, 1)))
128 # 错误率平均值
129 errorsRate = aggErrors.sum() / m
130 print "total error:", errorsRate, "\n"
131 if errorsRate == 0.0:
132 break
133 print "weakClassArr:", weakClassArr
134 return weakClassArr
135
136 def adClassify(self, datToClass, classifierArr):
137 """
138 预测分类:
139 datToClass:待分类数据
140 classifierArr: 训练好的分类器数组
141 """
142 dataMatrix = mat(datToClass)
143 m = shape(dataMatrix)[0]
144 aggClassEst = mat(zeros((m, 1)))
145 print
146 for i in range(len(classifierArr)): # 有多少个分类器迭代多少次
147 # 调用第一个分类器进行分类
148 classEst = self.stumpClassify(dataMatrix, classifierArr[i]['dim'],
149 classifierArr[i]['thresh'],
150 classifierArr[i]['ineq']
151 )
152 # alpha 表示每个分类器的权重,
153 print classEst
154 aggClassEst += classifierArr[i]['alpha'] * classEst
155 print aggClassEst
156 return sign(aggClassEst)
157
158
159 if __name__ == "__main__":
160 adaboosting = Adaboosting()
161 D = mat(ones((5, 1)) / 5)
162 dataMat, lableMat = adaboosting.loadSimpData()
163 # 训练分类器
164 classifierArr = adaboosting.adaBoostingDs(dataMat, lableMat, 40)
165 # 预测数据
166 result = adaboosting.adClassify([0, 0], classifierArr)
167 print result
运行结果:可以看到迭代三次加权错误率为0
最后有一个对数据[0,0]的预测:weakClassArr表示保存的三个分类器的信息,我们用这个分类器对数据进行预测
三个小数对应的是三个分类器前N个分类加权分类结果累加。对应的-1,-1,-1表示三个分类器对这个数据分类是-1,最后一个表示增强分类器对这个数据的加权求和分类结果为-1
四、启发和思考“为什么”,“如何做”
问题一:为什么给错分的数据的权重越高,也就是对错分数据越关注,在下一次分类,误差率就会降低?这个过程是怎么体现的?
解答:如果错分数据的权重变高了,那么在下一次对数据分类时,分类器假如对上一次的错分数据再一次分错的话,根据公式,分类误差率=错分数据权重之和,我们就会发现这个时候的分类误差率变高了,而此时分类器的这个‘阈值’肯定不是我们想要的,其他的阈值(分类误差率最小)才是我们想要的,这样就会使得分类器更加关注前一次的错分数据,使这部分数据在本次分类后不会被错分,从而也达到了我们的目的,这就是算法逻辑的整个过程。
问题二:阈值如何确定?
解答:考虑到数值型的特征,我们可以通过计算最小值和最大值来了解需要多大的步长,比如说上面代码里面的numsteps = 10.0,stepsize = (rangemax-rangemin)/numsteps,threshVal = (rangemin+float(j)*stepsize)
Reference:
统计学习方法
机器学习实战
https://blog.csdn.net/v_july_v/article/details/40718799
https://www.cnblogs.com/NextNight/p/6227526.html