集成学习之Adaboost算法

转载自 https://blog.csdn.net/fwh_1307/article/details/122021348

1.背景

集成学习(ensemble learning)通过构建并结合多个学习器来提升性能
集成学习分为两大类：
个体分类器存在强依赖方法(Boosting)
个体学习器之间不存在强依赖关系(Bagging,随机森林)
提升方法的思路：
对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比任何一个专家单独的判断好。实际上，就是“三个臭皮匠顶个诸葛亮”的道理。
对于提升方法来说，有两个问题：

• 在每一轮如何改变训练数据的权值与概率分布
• 如何将若分类器组合成一个强分类器

Boosting族最著名的代表算法是Adaboost，它的做法是：

• 提高那些被前一轮若分类器错误分类样本数据的权值，降低正确分类样本的权值
• 采取加权多数表决的方法，加大分类误差率小的若分类器的权值，减小分类误差率大的弱分类器的权值。

2.基本原理

强可学习:识别准确率很高并能在多项式时间内完成的学习算法
弱可学习:识别错误率小于1/2（即准确率仅比随机猜测略高的学习算法）
将多个弱分类器进行合理的结合，使其成为一个强分类器。
Adaboost采用迭代的思想，每次迭代只训练一个弱分类器，训练好的弱分类器将参与下一次迭代的使用。也就是说，在第N次迭代中，一共就有N个弱分类器，其中N-1个是以前训练好的，其各种参数都不再改变，本次训练第N个分类器。其中弱分类器的关系是第N个弱分类器更可能分对前N-1个弱分类器没分对的数据，最终分类输出要看这N个分类器的综合效果。

两个权重：数据权重和弱分类器权重。

3.Adaboost算法

(李航老师《统计学习方法》)
输入：
训练数据集𝑇={(𝑥_1,𝑦_1 ),(𝑥_2,𝑦_2 ),(𝑥_3,𝑦_3 ),…,(𝑥_𝑁,𝑦_𝑁 )},其中x_i∈𝑋⊆ℝ^n,
y_i∈𝑌={−1,+1};
弱学习算法;
输出：
最终分类器G(x);
（1)初始化数据权值分布

4.周志华老师Boosting25周年

(以下参考周志华老师Boosting25周年，非常推荐这个视频，讲解Boosting，非常清晰连贯)
Boosting 25年（2014周志华）

Adaboost为什么影响力大？
1.简单且高效，任何需要用到机器学习的地方都可以使用。
2.Boosting算法族核心，是一个general boosting过程。简单来说就是先生成一个学习器，判断它的效果好不好，据此调整迭代。
3.理论支持，不仅给出了训练集误差范围，还给出了泛化误差范围。
Adaboost为什么不容易过拟合
1.奥卡姆剃须刀理论：如无必要，勿增实体。
2.Adaboost似乎违背了这个理论，如下图当训练到7轮左右，训练误差为0继续训练误差还是为0，轮数增加测试集损失继续下降，这就违反了奥卡姆剃刀原则，即第7轮训练的模型，根据奥卡姆剃刀原则，该模型应该是最好的，现实却是很复杂的模型比简单的好。

关于统计学和间隔理论两大流派的解释：
统计学观点看Adaboost:
将模型拆解为三个部分：优化指数函数，加性模型模型，牛顿法迭代，当优化各个成分时，可以得到一系列的模型变体，得到结果是理论和实践相违背，未解释为什么不过拟合。
间隔理论解释了Adaboost随着训练增加不过拟合？
间隔：间隔越大分类越好
训练次数增加，训练误差降到0后，误差越小，训练下去间隔增大，提高了预测性能。

5.Adaboost算法优缺点

Adaboost算法优点：

1. 不易发生过拟合
2. 由于AdaBoost并没有限制弱学习器的种类，所以可以使用不同的学习算法来构建弱分类器；
3. AdaBoost具有很高的精度； 相对于bagging算法和Random Forest算法，AdaBoost充分考虑的每个分类器的权重；
4. AdaBoost的参数少，实际应用中不需要调节太多的参数。

Adaboost算法缺点：

1. 数据不平衡导致分类精度下降
2. 训练耗时，主要由于多个弱分类器的训练耗时
3. 弱分类器的数目不好设置
4. 对异常样本敏感，由于adaboost对错误样本会增加其权值，异常样本会获得高权值，影响最终分类器的精度

6.Q&A

1. Adaboost算法在迭代的过程中，迭代的次数怎么确定?
   我们需要考虑两个指标。
   1.正确率：上一轮与本轮正确率的差值低到一定程度就可以停止，这个差值的阈值根据需要来设定。
   2.时间：理想情况下，分类器越多分类效果就越好，但是这也造成了需要更多的时间。
2. Adaboost的各个弱学习器的权值调整过程?
   
   其主要思想是分类错误的点在下一次会增加权值，分类正确的点会减小权值。
3. 弱分类器的选择及数量
   弱分类器我们可以选择很多方法选择，逻辑回归，SVM,决策树都可以。但是使用做多的就是我们之前用到的单层决策树，原因是基分类器简单好构造，且不易过拟合。迭代次数是我们手动调节的或者是模型训练到训练误差为0，与弱分类器的选择无关。
4. Adaboost的核心思想是什么？
   核心思想就是Adaboost是一种精度提升算法（Boosting Algorithm)， 主要用来解决分类预测的问题。它会逐个训练单个的分类器，调整每个单个分类器的精度，之后把若干个单个的分类器组合成一个复合分类器。通常我们把这些单个的分类器叫做弱分类器，而把最后的复合分类器叫做强分类器。（减少泛化误差见后续过拟合问题）
5. 为什么Adaboost不易过拟合?
   Adaboost做为一个加性模型，采用了指数损失函数。理论上而言也就是说每增加一级分类器，损失函数都会减小，也就是方差会越来越大，从这个角度来理解那么adaboost其实是更容易过拟合的。但是因为我们选择的基分类器很简单，那么在实际应用中很难过拟合，这也是我们经常选择决策树桩作为基分类器的原因。但是到目前为止，还没有一个完全清楚的答案。在许多variance-bias 分解实验中也观察到，AdaBoost不仅是减少了bias，同时也减少了variance，variance的减少往往与算法容量减少有关。ECML12上有一篇文章说boosting方法中有差异的基分类集成能减小达到预计效果的模型复杂度，一定程度也起到正则化，减小variance的作用。