AdaBoost算法原理详细总结

        在集成学习方法之Bagging，Boosting，Stacking篇章中，我们谈论boosting框架的原理，在boosting系列算法中，AdaBoost是著名的算法之一。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。
        今天我们就来探讨下AdaBoost分类算法的原理，本篇我们先介绍AdaBoost算法；然后通过误差分析探讨AdaBoost为什么能提升模型的学习精度；并且从前向分步加法模型角度解释AdaBoost；最后对AdaBoost的算法优缺点进行一个总结。

1）从boosting到AdaBoost算法

        集成原理中，我们提到的boosting框架的思想是选择同质的基分类器，让基分类器之间按照顺序进行训练，并让每个基分类器都尝试去修正前面的分类。既然这样，怎样才能让同质的基分类器能够修正前面的分类？或者说怎样才能让同质的基分类器之间保持“互助”呢？
       AdaBoost的做法是，让前一个基分类器$f_{t-1}(x)$在当前基分类器$f_t(x)$的训练集上的效果很差（和我们随机瞎猜一样），这样$f_t(x)$就能修正$f_{t-1}(x)$的分类误差，$f_t(x)$和$f_{t-1}(x)$之间也就产生了“互助”。
       AdaBoost的具体做法是，通过提高被前一轮基分类器$f_{t-1}(x)$分类错误的样本的权值，降低被正确分类样本的权值，使得上一个基分类器$f_{t-1}(x)$在更新权值后的训练集上的错误率${ϵ}_{t-1}$增大到0.5。（再在更新权值后的训练集上训练基分类器$f_t(x)$，那$f_t(x)$必能和$f_{t-1}(x)$产生互助。）

2）AdaBoost算法

       下面我们在二分类问题上介绍AdaBoost算法。假如给定训练数据集$T={\left\{(x^i,y^i)\right\}}_{i=1}^n$，$x^i\in R^d$， y i ∈ { − 1 , 1 } y^i\in\left\{ -1,1\right\} yi∈{ −1,1}
样本权值为$w_i^n$，误差率${ϵ}_i$。在训练数据集$T$上训练第一个基分类器$f_1(x)$，其错误率为${ϵ}_1，{ϵ}_1<0.5$（起码比瞎猜要好一些）
$${ϵ}_1=\frac{{\sum }_n{w}_1^n\delta ((f_1(x^n)\ne {\hat{y}}^n)}{Z_1}{Z}_1=\sum _n{w}_1^n$$
        更新样本的权值（权值为$w_2^n$）后的训练集为$T^{\prime }$，使得$f_1(x)$在$T^{\prime }$分类效果等同于随机瞎猜（$ϵ=0.5$）。用数学语言表示即为
$$\frac{{\sum }_n{w}_2^n\delta ((f_1(x^n)\ne {\hat{y}}^n)}{Z_2}=0.5Z_2=\sum _n{w}_2^n$$
        那么样本权重如何更新呢？AdaBoost具体做法是，减小$f_1(x)$分类正确的样本的权值，权值除以一个常数$d$，即$\frac{w_1^n}{d_1}$；增大$f_1(x)$分类错误的样本的权值，权值乘以一个常数$d$，即$w_1^n{d}_1$。用数学语言表示即为
$$\{\begin{array}{l}{w}_2^n=w_1^n{d}_{1}if{f}_1(x^n)\ne {\hat{y}}^n)\\ w_2^n=\frac{w_1^n}{d_1}if{f}_1(x^n)={\hat{y}}^n)\end{array}$$
        下面我们再回到下式中来，

$$\frac{{\sum }_n{w}_2^n\delta ((f_1(x^n)\ne {\hat{y}}^n)}{Z_2}=0.5$$

其中，$Z_2={\sum }_{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n{d}_1+{\sum }_{f_1(x^n)={\hat{y}}^n}\frac{w_1^n}{d_1}$；当$f_1(x^n)\ne {\hat{y}}^n$时，$w_2^n=w_1^n{d}_1$。
        将上面两式带入得：

$$\frac{{\sum }_{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n{d}_1}{{\sum }_{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n{d}_1+{\sum }_{f_1(x^n)={\hat{y}}^n}\frac{w_1^n}{d_1}}=0.5$$

$$\sum _{f_1(x^n)={\hat{y}}^n}\frac{w_1^n}{d_1}=\sum _{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n{d}_1$$

又因为$${ϵ}_1=\frac{{\sum }_{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n}{Z_1}\Rightarrow {ϵ}_1{Z}_1=\sum _{f_1(x^n)\ne {\hat{y}}^n}{w}_1^n$$
$$1-{ϵ}_1=\frac{{\sum }_{f_1(x^n)={\hat{y}}^n}{w}_1^n}{Z_1}\Rightarrow (1-{ϵ}_1)Z_1=\sum _{f_1(x^n)={\hat{y}}^n}{w}_1^n$$
因此，
∑ f 1 ( x n ) = y ^ n w 1 n d 1 = ∑ f 1 (