【AdaBoost算法】集成学习——AdaBoost算法实例说明
AdaBoost算法是数据挖掘十大算法之一,但是部分参考书上只给了该算法的数学推导过程,具体的流程并未详细举例加以解释,因此不利于学习者的掌握和领悟,通过查找相关资料,发现知乎有篇博文介绍的很是详细,并且附有具体实例加以理解。
(十三)通俗易懂理解——Adaboost算法原理
一、AdaBoost算法过程
给定训练数据集:(x1,y1),(x2,y2)···(xn,yn),其中yi属于{1,-1}用于表示训练样本的类别标签,i=1,…,N。Adaboost的目的就是从训练数据中学习一系列弱分类器或基本分类器,然后将这些弱分类器组合成一个强分类器。
相关符号定义:
Adaboost的算法流程如下:
相关说明:
综合上面的推导,可得样本分错与分对时,其权值更新的公式为:
二、AdaBoost实例讲解
例:给定如图所示的训练样本,弱分类器采用平行于坐标轴的直线,用Adaboost算法的实现强分类过程。
数据分析:
将这10个样本作为训练数据,根据 X 和Y 的对应关系,可把这10个数据分为两类,图中用“+”表示类别1,用“O”表示类别-1。本例使用水平或者垂直的直线作为分类器,图中已经给出了三个弱分类器,即:
初始化:
首先需要初始化训练样本数据的权值分布,每一个训练样本最开始时都被赋予相同的权值:wi=1/N,这样训练样本集的初始权值分布D1(i):
令每个权值w1i = 1/N = 0.1,其中,N = 10,i = 1,2, …, 10,然后分别对于t= 1,2,3, …等值进行迭代(t表示迭代次数,表示第t轮),下表已经给出训练样本的权值分布情况:
第1次迭代 t = 1 t=1 t=1:
初试的权值分布D1为1/N(10个数据,每个数据的权值皆初始化为0.1),
D 1 = [ 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 , 0.1 ] D1=[0.1, 0.1, 0.1, 0.1, 0.1, 0.1,0.1, 0.1, 0.1, 0.1] D1=[0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1,0.1]
在权值分布
D
1
D1
D1的情况下,取已知的三个弱分类器
h
1
h1
h1、
h
2
h2
h2和
h
3
h3
h3中误差率最小的分类器作为第1个基本分类器
H
1
(
x
)
H1(x)
H1(x)(三个弱分类器的误差率都是0.3,那就取第1个吧)
在分类器
H
1
(
x
)
=
h
1
H1(x)=h1
H1(x)=h1情况下,样本点“5 7 8”被错分,因此基本分类器
H
1
(
x
)
H1(x)
H1(x)的误差率为:
可见,被误分类样本的权值之和影响误差率 e e e,误差率 e e e影响基本分类器在最终分类器中所占的权重 α α α。
然后,更新训练样本数据的权值分布,用于下一轮迭代,对于正确分类的训练样本“1 2 3 4 6 9 10”(共7个)的权值更新为:
这样,第1轮迭代后,最后得到各个样本数据新的权值分布:
D 2 = [ 1 / 14 , 1 / 14 , 1 / 14 , 1 / 14 , 1 / 6 , 1 / 14 , 1 / 6 , 1 / 6 , 1 / 14 , 1 / 14 ] D2=[1/14,1/14,1/14,1/14,1/6,1/14,1/6,1/6,1/14,1/14] D2=[1/14,1/14,1/14,1/14,1/6,1/14,1/6,1/6,1/14,1/14]
由于样本数据“5 7 8”被H1(x)分错了,所以它们的权值由之前的0.1增大到1/6;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1/14,下表给出了权值分布的变换情况:
可得分类函数: f 1 ( x ) = α 1 H 1 ( x ) = 0.4236 H 1 ( x ) f1(x)= α1H1(x) = 0.4236H1(x) f1(x)=α1H1(x)=0.4236H1(x)。此时,组合一个基本分类器 s i g n ( f 1 ( x ) ) sign(f1(x)) sign(f1(x))作为强分类器在训练数据集上有3个误分类点(即5 7 8),此时强分类器的训练错误为:0.3
第二次迭代t=2:
在权值分布 D 2 D2 D2的情况下,再取三个弱分类器 h 1 h1 h1、 h 2 h2 h2和 h 3 h3 h3中误差率最小的分类器作为第2个基本分类器 H 2 ( x ) H2(x) H2(x):
① 当取弱分类器 h 1 = X 1 = 2.5 h1=X1=2.5 h1=X1=2.5时,此时被错分的样本点为“5 7 8”:
误差率 e = 1 / 6 + 1 / 6 + 1 / 6 = 3 / 6 = 1 / 2 e=1/6+1/6+1/6=3/6=1/2 e=1/6+1/6+1/6=3/6=1/2;
② 当取弱分类器 h 2 = X 1 = 8.5 h2=X1=8.5 h2=X1=8.5时,此时被错分的样本点为“3 4 6”:
误差率 e = 1 / 14 + 1 / 14 + 1 / 14 = 3 / 14 e=1/14+1/14+1/14=3/14 e=1/14+1/14+1/14=3/14;
③ 当取弱分类器 h 3 = X 2 = 6.5 h3=X2=6.5 h3=X2=6.5时,此时被错分的样本点为“1 2 9”:
误差率
e
=
1
/
14
+
1
/
14
+
1
/
14
=
3
/
14
e=1/14+1/14+1/14=3/14
e=1/14+1/14+1/14=3/14;
因此,取当前最小的分类器
h
2
h2
h2作为第2个基本分类器
H
2
(
x
)
H2(x)
H2(x)
显然,
H
2
(
x
)
H2(x)
H2(x)把样本“3 4 6”分错了,根据D2可知它们的权值为
D
2
(
3
)
=
1
/
14
,
D
2
(
4
)
=
1
/
14
,
D
2
(
6
)
=
1
/
14
D2(3)=1/14,D2(4)=1/14, D2(6)=1/14
D2(3)=1/14,D2(4)=1/14,D2(6)=1/14,所以
H
2
(
x
)
H2(x)
H2(x)在训练数据集上的误差率:
这样,第2轮迭代后,最后得到各个样本数据新的权值分布:
D 3 = [ 1 / 22 , 1 / 22 , 1 / 6 , 1 / 6 , 7 / 66 , 1 / 6 , 7 / 66 , 7 / 66 , 1 / 22 , 1 / 22 ] D3=[1/22,1/22,1/6,1/6,7/66,1/6,7/66,7/66,1/22,1/22] D3=[1/22,1/22,1/6,1/6,7/66,1/6,7/66,7/66,1/22,1/22]
下表给出了权值分布的变换情况:
可得分类函数: f 2 ( x ) = 0.4236 H 1 ( x ) + 0.6496 H 2 ( x ) f2(x)=0.4236H1(x) + 0.6496H2(x) f2(x)=0.4236H1(x)+0.6496H2(x)。此时,组合两个基本分类器 s i g n ( f 2 ( x ) ) sign(f2(x)) sign(f2(x))作为强分类器在训练数据集上有3个误分类点(即3 4 6),此时强分类器的训练错误为:0.3
第三次迭代t=3:
在权值分布 D 3 D3 D3的情况下,再取三个弱分类器h1、h2和h3中误差率最小的分类器作为第3个基本分类器 H 3 ( x ) H3(x) H3(x):
① 当取弱分类器 h 1 = X 1 = 2.5 h1=X1=2.5 h1=X1=2.5时,此时被错分的样本点为“5 7 8”:
误差率 e = 7 / 66 + 7 / 66 + 7 / 66 = 7 / 22 e=7/66+7/66+7/66=7/22 e=7/66+7/66+7/66=7/22;
② 当取弱分类器 h 2 = X 1 = 8.5 h2=X1=8.5 h2=X1=8.5时,此时被错分的样本点为“3 4 6”:
误差率 e = 1 / 6 + 1 / 6 + 1 / 6 = 1 / 2 = 0.5 e=1/6+1/6+1/6=1/2=0.5 e=1/6+1/6+1/6=1/2=0.5;
③ 当取弱分类器 h 3 = X 2 = 6.5 h3=X2=6.5 h3=X2=6.5时,此时被错分的样本点为“1 2 9”:
误差率
e
=
1
/
22
+
1
/
22
+
1
/
22
=
3
/
22
e=1/22+1/22+1/22=3/22
e=1/22+1/22+1/22=3/22;
因此,取当前最小的分类器h3作为第3个基本分类器
H
3
(
x
)
H3(x)
H3(x):
这样,第3轮迭代后,得到各个样本数据新的权值分布为:
D 4 = [ 1 / 6 , 1 / 6 , 11 / 114 , 11 / 114 , 7 / 114 , 11 / 114 , 7 / 114 , 7 / 114 , 1 / 6 , 1 / 38 ] D4=[1/6,1/6,11/114,11/114,7/114,11/114,7/114,7/114,1/6,1/38] D4=[1/6,1/6,11/114,11/114,7/114,11/114,7/114,7/114,1/6,1/38]
下表给出了权值分布的变换情况:
可得分类函数: f 3 ( x ) = 0.4236 H 1 ( x ) + 0.6496 H 2 ( x ) + 0.9229 H 3 ( x ) f3(x)=0.4236H1(x) + 0.6496H2(x)+0.9229H3(x) f3(x)=0.4236H1(x)+0.6496H2(x)+0.9229H3(x)。此时,组合三个基本分类器 s i g n ( f 3 ( x ) ) sign(f3(x)) sign(f3(x))作为强分类器,在训练数据集上有0个误分类点。至此,整个训练过程结束。
整合所有分类器,可得最终的强分类器为:
这个强分类器 H f i n a l H_{final} Hfinal对训练样本的错误率为0!