python实现AdaBoost算法的示例

代码

'''
数据集：Mnist
训练集数量：60000(实际使用：10000)
测试集数量：10000（实际使用：1000)
层数：40
------------------------------
运行结果：
 正确率：97％
 运行时长：65m
'''

import time
import numpy as np

def loadData(fileName):
 '''
 加载文件
 :param fileName:要加载的文件路径
 :return: 数据集和标签集
 '''
 # 存放数据及标记
 dataArr = []
 labelArr = []
 # 读取文件
 fr = open(fileName)
 # 遍历文件中的每一行
 for line in fr.readlines():
   # 获取当前行，并按“，”切割成字段放入列表中
   # strip：去掉每行字符串首尾指定的字符（默认空格或换行符）
   # split：按照指定的字符将字符串切割成每个字段，返回列表形式
   curLine = line.strip().split(',')
   # 将每行中除标记外的数据放入数据集中（curLine[0]为标记信息）
   # 在放入的同时将原先字符串形式的数据转换为整型
   # 此外将数据进行了二值化处理，大于128的转换成1，小于的转换成0，方便后续计算
   dataArr.append([int(int(num) > 128) for num in curLine[1:]])
   # 将标记信息放入标记集中
   # 放入的同时将标记转换为整型

# 转换成二分类任务
   # 标签0设置为1，反之为-1
   if int(curLine[0]) == 0:
     labelArr.append(1)
   else:
     labelArr.append(-1)
 # 返回数据集和标记
 return dataArr, labelArr

def calc_e_Gx(trainDataArr, trainLabelArr, n, div, rule, D):
 '''
 计算分类错误率
 :param trainDataArr:训练数据集数字
 :param trainLabelArr: 训练标签集数组
 :param n: 要操作的特征
 :param div:划分点
 :param rule:正反例标签
 :param D:权值分布D
 :return:预测结果， 分类误差率
 '''
 # 初始化分类误差率为0
 e = 0
 # 将训练数据矩阵 * 征为n的那一列单独剥出来做成数组。因为其他元素我们并不需要，
 # 直接对庞大的训练集进行操作的话会很慢
 x = trainDataArr[:, n]
 # 同样将标签也转换成数组格式，x和y的转换只是单纯为了提高运行速度
 # 测试过相对直接操作而言性能提升很大
 y = trainLabelArr
 predict = []

# 依据小于和大于的标签依据实际情况会不同，在这里直接进行设置
 if rule == 'LisOne':
   L = 1
   H = -1
 else:
   L = -1
   H = 1

# 遍历所有样本的特征m
 for i in range(trainDataArr.shape[0]):
   if x[i] < div:
     # 如果小于划分点，则预测为L
     # 如果设置小于div为1，那么L就是1，
     # 如果设置小于div为-1，L就是-1
     predict.append(L)
     # 如果预测错误，分类错误率要加上该分错的样本的权值（8.1式）
     if y[i] != L:
       e += D[i]
   elif x[i] >= div:
     # 与上面思想一样
     predict.append(H)
     if y[i] != H:
       e += D[i]
 # 返回预测结果和分类错误率e
 # 预测结果其实是为了后面做准备的，在算法8.1第四步式8.4中exp内部有个Gx，要用在那个地方
 # 以此来更新新的D
 return np.array(predict), e

def createSigleBoostingTree(trainDataArr, trainLabelArr, D):
 '''
 创建单层提升树
 :param trainDataArr:训练数据集数组
 :param trainLabelArr: 训练标签集数组
 :param D: 算法8.1中的D
 :return: 创建的单层提升树
 '''

# 获得样本数目及特征数量
 m, n = np.shape(trainDataArr)
 # 单层树的字典，用于存放当前层提升树的参数
 # 也可以认为该字典代表了一层提升树
 sigleBoostTree = {}
 # 初始化分类误差率，分类误差率在算法8.1步骤（2）（b）有提到
 # 误差率最高也只能100％，因此初始化为1
 sigleBoostTree['e'] = 1

# 对每一个特征进行遍历，寻找用于划分的最合适的特征
 for i in range(n):
   # 因为特征已经经过二值化，只能为0和1，因此分切分时分为-0.5， 0.5， 1.5三挡进行切割
   for div in [-0.5, 0.5, 1.5]:
     # 在单个特征内对正反例进行划分时，有两种情况：
     # 可能是小于某值的为1，大于某值得为-1，也可能小于某值得是-1，反之为1
     # 因此在寻找最佳提升树的同时对于两种情况也需要遍历运行
     # LisOne：Low is one：小于某值得是1
     # HisOne：High is one：大于某值得是1
     for rule in ['LisOne', 'HisOne']:
       # 按照第i个特征，以值div进行切割，进行当前设置得到的预测和分类错误率
       Gx, e = calc_e_Gx(trainDataArr, trainLabelArr, i, div, rule, D)
       # 如果分类错误率e小于当前最小的e，那么将它作为最小的分类错误率保存
       if e < sigleBoostTree['e']:
         sigleBoostTree['e'] = e
         # 同时也需要存储最优划分点、划分规则、预测结果、特征索引
         # 以便进行D更新和后续预测使用
         sigleBoostTree['div'] = div
         sigleBoostTree['rule'] = rule
         sigleBoostTree['Gx'] = Gx
         sigleBoostTree['feature'] = i
 # 返回单层的提升树
 return sigleBoostTree

def createBosstingTree(trainDataList, trainLabelList, treeNum=50):
 '''
 创建提升树
 创建算法依据“8.1.2 AdaBoost算法” 算法8.1
 :param trainDataList:训练数据集
 :param trainLabelList: 训练测试集
 :param treeNum: 树的层数
 :return: 提升树
 '''
 # 将数据和标签转化为数组形式
 trainDataArr = np.array(trainDataList)
 trainLabelArr = np.array(trainLabelList)
 # 没增加一层数后，当前最终预测结果列表
 finallpredict = [0] * len(trainLabelArr)
 # 获得训练集数量以及特征个数
 m, n = np.shape(trainDataArr)

# 依据算法8.1步骤（1）初始化D为1/N
 D = [1 / m] * m
 # 初始化提升树列表，每个位置为一层
 tree = []
 # 循环创建提升树
 for i in range(treeNum):
   # 得到当前层的提升树
   curTree = createSigleBoostingTree(trainDataArr, trainLabelArr, D)
   # 根据式8.2计算当前层的alpha
   alpha = 1 / 2 * np.log((1 - curTree['e']) / curTree['e'])
   # 获得当前层的预测结果，用于下一步更新D
   Gx = curTree['Gx']
   # 依据式8.4更新D
   # 考虑到该式每次只更新D中的一个w，要循环进行更新知道所有w更新结束会很复杂（其实
   # 不是时间上的复杂，只是让人感觉每次单独更新一个很累），所以该式以向量相乘的形式，
   # 一个式子将所有w全部更新完。
   # 该式需要线性代数基础，如果不太熟练建议补充相关知识，当然了，单独更新w也一点问题
   # 没有
   # np.multiply(trainLabelArr, Gx)：exp中的y*Gm(x)，结果是一个行向量，内部为yi*Gm(xi)
   # np.exp(-1 * alpha * np.multiply(trainLabelArr, Gx))：上面求出来的行向量内部全体
   # 成员再乘以-αm，然后取对数，和书上式子一样，只不过书上式子内是一个数，这里是一个向量
   # D是一个行向量，取代了式中的wmi，然后D求和为Zm
   # 书中的式子最后得出来一个数w，所有数w组合形成新的D
   # 这里是直接得到一个向量，向量内元素是所有的w
   # 本质上结果是相同的
   D = np.multiply(D, np.exp(-1 * alpha * np.multiply(trainLabelArr, Gx))) / sum(D)
   # 在当前层参数中增加alpha参数，预测的时候需要用到
   curTree['alpha'] = alpha
   # 将当前层添加到提升树索引中。
   tree.append(curTree)

# -----以下代码用来辅助，可以去掉---------------
   # 根据8.6式将结果加上当前层乘以α，得到目前的最终输出预测
   finallpredict += alpha * Gx
   # 计算当前最终预测输出与实际标签之间的误差
   error = sum([1 for i in range(len(trainDataList)) if np.sign(finallpredict[i]) != trainLabelArr[i]])
   # 计算当前最终误差率
   finallError = error / len(trainDataList)
   # 如果误差为0，提前退出即可，因为没有必要再计算算了
   if finallError == 0:
     return tree
   # 打印一些信息
   print('iter:％d:％d, sigle error:％.4f, finall error:％.4f' ％ (i, treeNum, curTree['e'], finallError))
 # 返回整个提升树
 return tree

def predict(x, div, rule, feature):
 '''
 输出单独层预测结果
 :param x: 预测样本
 :param div: 划分点
 :param rule: 划分规则
 :param feature: 进行操作的特征
 :return:
 '''
 # 依据划分规则定义小于及大于划分点的标签
 if rule == 'LisOne':
   L = 1
   H = -1
 else:
   L = -1
   H = 1

# 判断预测结果
 if x[feature] < div:
   return L
 else:
   return H

def test(testDataList, testLabelList, tree):
 '''
 测试
 :param testDataList:测试数据集
 :param testLabelList: 测试标签集
 :param tree: 提升树
 :return: 准确率
 '''
 # 错误率计数值
 errorCnt = 0
 # 遍历每一个测试样本
 for i in range(len(testDataList)):
   # 预测结果值，初始为0
   result = 0
   # 依据算法8.1式8.6
   # 预测式子是一个求和式，对于每一层的结果都要进行一次累加
   # 遍历每层的树
   for curTree in tree:
     # 获取该层参数
     div = curTree['div']
     rule = curTree['rule']
     feature = curTree['feature']
     alpha = curTree['alpha']
     # 将当前层结果加入预测中
     result += alpha * predict(testDataList[i], div, rule, feature)
   # 预测结果取sign值，如果大于0 sign为1，反之为0
   if np.sign(result) != testLabelList[i]:
     errorCnt += 1
 # 返回准确率
 return 1 - errorCnt / len(testDataList)

if __name__ == '__main__':
 # 开始时间
 start = time.time()

# 获取训练集
 print('start read transSet')
 trainDataList, trainLabelList = loadData('../Mnist/mnist_train.csv')

# 获取测试集
 print('start read testSet')
 testDataList, testLabelList = loadData('../Mnist/mnist_test.csv')

# 创建提升树
 print('start init train')
 tree = createBosstingTree(trainDataList[:10000], trainLabelList[:10000], 40)

# 测试
 print('start to test')
 accuracy = test(testDataList[:1000], testLabelList[:1000], tree)
 print('the accuracy is:％d' ％ (accuracy * 100), '％')

# 结束时间
 end = time.time()
 print('time span:', end - start)

程序运行结果

start read transSet
start read testSet
start init train
iter:0:40, sigle error:0.0804, finall error:0.0804
iter:1:40, sigle error:0.1448, finall error:0.0804
iter:2:40, sigle error:0.1362, finall error:0.0585
iter:3:40, sigle error:0.1864, finall error:0.0667
iter:4:40, sigle error:0.2249, finall error:0.0474
iter:5:40, sigle error:0.2634, finall error:0.0437
iter:6:40, sigle error:0.2626, finall error:0.0377
iter:7:40, sigle error:0.2935, finall error:0.0361
iter:8:40, sigle error:0.3230, finall error:0.0333
iter:9:40, sigle error:0.3034, finall error:0.0361
iter:10:40, sigle error:0.3375, finall error:0.0325
iter:11:40, sigle error:0.3364, finall error:0.0340
iter:12:40, sigle error:0.3473, finall error:0.0309
iter:13:40, sigle error:0.3006, finall error:0.0294
iter:14:40, sigle error:0.3267, finall error:0.0275
iter:15:40, sigle error:0.3584, finall error:0.0288
iter:16:40, sigle error:0.3492, finall error:0.0257
iter:17:40, sigle error:0.3506, finall error:0.0256
iter:18:40, sigle error:0.3665, finall error:0.0240
iter:19:40, sigle error:0.3769, finall error:0.0251
iter:20:40, sigle error:0.3828, finall error:0.0213
iter:21:40, sigle error:0.3733, finall error:0.0229
iter:22:40, sigle error:0.3785, finall error:0.0218
iter:23:40, sigle error:0.3867, finall error:0.0219
iter:24:40, sigle error:0.3850, finall error:0.0208
iter:25:40, sigle error:0.3823, finall error:0.0201
iter:26:40, sigle error:0.3825, finall error:0.0204
iter:27:40, sigle error:0.3874, finall error:0.0188
iter:28:40, sigle error:0.3952, finall error:0.0186
iter:29:40, sigle error:0.4018, finall error:0.0193
iter:30:40, sigle error:0.3889, finall error:0.0177
iter:31:40, sigle error:0.3939, finall error:0.0183
iter:32:40, sigle error:0.3838, finall error:0.0182
iter:33:40, sigle error:0.4021, finall error:0.0171
iter:34:40, sigle error:0.4119, finall error:0.0164
iter:35:40, sigle error:0.4093, finall error:0.0164
iter:36:40, sigle error:0.4135, finall error:0.0167
iter:37:40, sigle error:0.4099, finall error:0.0171
iter:38:40, sigle error:0.3871, finall error:0.0163
iter:39:40, sigle error:0.4085, finall error:0.0154
start to test
the accuracy is:97 ％
time span: 3777.730945825577

来源：https://www.cnblogs.com/chenxiangzhen/p/10413307.html