详解Python AdaBoost算法的实现
作者:侯小啾 时间:2021-08-16 19:53:27
1. AdaBoost 算法简介
Boosting是机器学习的三大框架之一,其特点是,训练过程中的诸多弱模型,彼此之间有着强依赖关系。Boost也被称为增强学习或提升法。典型的代表算法是AdaBoost算法。AdaBoost算法的核心思想是:将关注点放在预测错误的样本上。
AdaBoost 算法可以概括如下:
①假设共有m个样本数据,首先根据需求划分好训练集数据,按照一般思路,训练出第一个弱模型G1(x)。
②对第一个弱模型G1(x),计算该弱模型的分类错误率(或者说带权错误率,但是因为第一次迭代训练是均等权重的,所以第一次迭代的带权错误率等于普通的分类错误率)。
通过计算的分类错误率来确定该弱模型的权重,并更新训练集数据的权值分布。(这里涉及两个权重不要弄混,先是模型权重,再是样本数据权重)
记模型G1(x)的权重为α1,则F1(x)=0+α1G1(x)(因为是第一次迭代,所以上一次可以暂记为0)。
③开始第二次迭代,使用更新后的样本权重再次训练一个弱模型,然后将该弱模型与上一次训练的弱模型G2(x),按照一定的规则得到的模型权重进行复合,F2(x)=F1(x)+α2G2(x)。
遂得到模型F2(x)。
这里的重点,就在于α1,α2等,这些模型的权重的确定。
④循环以上过程n次(从第二次开始,每次计算的模型错误率,是带权错误率)。
(n的值是自己指定的,希望的迭代次数)。
直到得到模型Fn(x)=Fn−1(x)+Gn(x),即为AdaBoost算法的输出模型,此时的模型Fn(x)是一个强训练模型。
2. AdaBoost算法 逻辑详解
按照以上思路,下边开始针对其中涉及的细节进行详解。
2.1 数据
首先要面对的,是数据。假设样本数据集D中共有m个样本,并表示如下:
D={(x1,y1),(x2,y2),...,(xm,ym)}
其中xi是特征向量,yi是标签。标签的取值可以是1和-1。
AdaBoost算法每次训练模型的时候,使用的可以是从m个样本中抽样抽出的部分样本,但是预测的时候必须统一,测试集必须是固定的m个样本。
2.2 带权错误率
使用AdaBoost算法,每次训练完弱模型后,需要进一步计算出其带权错误率。
带权错误率的公式如下:
如何理解这个式子:其中I()是指示函数,即,当括号内条件满足时值为1,当不满足条件时值为0。
这里括号内的条件,即表示对某样本的分类不正确。可以看出,预测错误的样本越多,该值则越大。
ωij即第j次迭代中的第i个样本的权重。
在第一次迭代中第一次训练弱模型时,每个样本的初始权重是均等的,均为1/m。
即每个样本被选中的概率是均等的。AdaBoost算法首先基于该均等的权重训练一个简单的弱学习器。
且因为均等权重,在第一次迭代的输出的弱分类器的带权错误率,是刚好等于预测错误的个数在m个样本中所占的比重的。(即带权错误率等于普通的分类错误率)。
2.3 损失函数 与 确定样本权重
AdaBoost算法的损失函数为指数损失。
以第k次迭代为例,第k次迭代将得到模型Fk(x)=Fk−1(x)+αkG(x),则Fk(x)的损失函数函数为:
经简单分析,可以看出,对于每个样本
若预测正确,则指数为负,损失只增加 1 e \frac{1}{e} e1;
若预测错误,则损失函数的损失会增加e。
将该损失函数进行进一步展开得:
因为Loss,即该表达式整体,表示的是模型Fk(x)的损失,e−yiαkGk(xi)表示的则是第k次迭代中,新训练弱模型,样本和模型都加权后的损失。e−yiFk−1(xi)表示的则是第k−1次迭代中得到的模型Fk−1的损失。
鉴于AdaBoost算法是利用上一个弱分类器Fk−1的准确率(或者说错误率) 和 模型权重来调整数据,以获得下一个分类器。继续观察该表达式,可以清晰地发现,模型Fk的损失,等于模型Gk乘以模型权重αk后,并经过 以模型Fk−1损失为度量尺度的样本权重的调节,后的损失。所以式子中的e−yiFk−1(xi)即可以理解为样本权重ωk,i。
对于每一个样本,如果在上次迭代结果的模型Fk−1中预测正确,则在第k次迭代中给予较小的样本权重;如果在上次迭代结果的模型Fk−1中预测错误,则在第k次迭代的预测中给予较大的样本权重,这使得其在第k次迭代中预测的结果将拥有更大的话语权。如果再次预测错误将带来更大的损失。
ωk,i=e−yiFk−1(xi)这样的表示还尚不完美,因为要将其作为权重,就还需要进行归一化处理才好。
进一步将Fk−1再展开可得到每次迭代的样本权重,与上次迭代样本权重之间的关系,并做归一化处理得:
其中Zt是归一化因子。这里的,其中ek−1是第k-1次迭代分类的带权错误率。
可以看到该表达式中还有模型权重αk−1需要进一步确定。
2.4 确定模型权重
模型权重的确定这一环节,涉及了较为麻烦的推导。这里只讨论逻辑,具体推导过程不再细究。
以第k次迭代为例,第k次迭代将得到模型Fk(x)=Fk−1(x)+αkG(x),我们需要确定的αk的值。
以使得AdaBoost算法的损失函数Loss最小为目标,经过一系列麻烦的推导,最终得到
根据该表达式不难看出,分类误差率越大,则对应的弱分类器权重系数也就越小。
2.5 输出模型
最终模型的表达式如下所示:
这里使用了符号函数sign,即若值大于0则表示标签1,小于0则表示标签-1。
3.AdaBoost算法的python实现
首先生成两组高斯分布的数据,用于模型训练和效果展示。
import numpy as np
from matplotlib import pyplot as plt
from sklearn.datasets import make_gaussian_quantiles
# 符合高斯分布,均值默认为0,方差为2,200个样本,2个特征,标签有2类,打乱
x1,y1 = make_gaussian_quantiles(
cov=2,
n_samples=200,
n_features=2,
n_classes=2,
shuffle=True,
random_state=1
)
# 满足高斯分布,两个特征,均值都为3,方差为1.5,300个样本数据,标签也有两个类别,打乱
x2,y2 = make_gaussian_quantiles(
mean=(3,3),
cov=1.5,
n_samples=300,
n_features=2,
n_classes=2,
shuffle=True,
random_state=1
)
# 水平拼接:x1, x2
X = np.vstack((x1,x2))
# 垂直拼接:标签值
y = np.hstack((y1,y2))
得到了有500个样本的数据集,该数据集有两个特征,标签取值有两种。特征数据为X,标签数据为y。
做数据可视化展示如下:
# 可视化
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()
数据分布图像如下图所示:
然后训练模型:
# 基础模型 使用决策树分类器作为基础模型
from sklearn.tree import DecisionTreeClassifier
# 导入集成模型AdaBoostClassifier
from sklearn.ensemble import AdaBoostClassifier
# 实例化弱模型 设置最大深度为2
weak_classifier = DecisionTreeClassifier(max_depth=2)
# 集成模型 每次训练随机抽取300个样本,学习率为0.8
clf = AdaBoostClassifier(base_estimator=weak_classifier,algorithm="SAMME",n_estimators=300,learning_rate=0.8)
clf.fit(X,y)
为了更直观地展示模型在每个点处的效果,接下来我们绘制等高线图来呈现模型效果。
首先找出两个特征x1和x2的最小值和最大值,然后在原来的基础上分别减一、加一,来构建网格化数据。
x1_min = X[:,0].min()-1
x1_max = X[:,0].max()+1
x2_min = X[:,1].min()-1
x2_max = X[:,1].max()+1
x1_new,x2_new = np.meshgrid(np.arange(x1_min,x1_max),np.arange(x2_min,x2_max))
做预测:
y_t = clf.predict(np.c_[x1_new.ravel(),x2_new.ravel()])
模型预测结果如下:
绘制等高线图,并填充色彩:
y_t = y_t.reshape(x1_new.shape)
plt.contourf(x1_new,x2_new,y_t)
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()
输出图像效果如下:        
来源:https://blog.csdn.net/weixin_48964486/article/details/126633593