机器学习【三】集成算法

Ensemble learning:

目的：让单个弱分类器分类效果不行，一起组合成强分类器

bagging   并行抽样训练 训练多个分类器,求出预测值，如果是分类任务可以求众数，如果是回归任务可以求平均值（随机森林是其 典型代表）

boosting  串行训练，从弱学习器开始加强，通过加权进行训练。

stacking  聚合多个分类或回归模型

bagging模型：

典型代表：随机森林  随机：取样随机，特征随机 森林：多个决策树

                               优势：可以处理高维度的数据，并且不用做特征选择

                                         训练完之后，可以给出哪些特征很重要

 boosting模型：

典型代表：adaboost,Xgboost

 adaboost:        

将前面的全部数据先训练一个分类器，算出错误率，调节权重，给错分的赋予更大权重，给分类正确赋予小权重，根据新数据，继续训练新的分类器，最后作出综合评价。

其中，at为每个弱分类器的权重，ht为弱分类器。

随机森林代码（基于sklearn库）：

# -*- coding: utf-8 -*-
#load the library with iris dataset
from sklearn.datasets import load_iris
from sklearn.ensemble import RandomForestClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.tree import DecisionTreeClassifier

import pandas as pd
import numpy as np

iris=load_iris()

df=pd.DataFrame(iris.data,columns=iris.feature_names)
#view top five data
#print(df.head())

df['specials']=pd.Categorical.from_codes(iris.target,iris.target_names)######create feature name
help(pd.Categorical.from_codes)
#data will be sperated train and test
df['is_train'] = np.random.uniform(0,1,len(df)) <= 0.75

train,test=df[df['is_train']==True],df[df['is_train']==False]
print('Number of observation in the training data: ',len(train))
print('Number of observation in the test data: ',len(test))

features = df.columns[:4]
#transferred number
y=pd.factorize(train['specials'])[0]


#Create a random forest Classfier
clf=RandomForestClassifier(n_estimators=20,criterion='gini',max_features='auto',min_samples_split=2)
clfba=BaggingClassifier(base_estimator=DecisionTreeClassifier(),n_estimators=20)
clfde=DecisionTreeClassifier(min_samples_split=2)
clf.fit(train[features],y)
clfba.fit(train[features],y)
clfde.fit(train[features],y)


#print(clf.predict(test[features]))
#print(clfba.predict(test[features]))
#print(clfde.predict(test[features]))

#view top five data
preds=iris.target_names[clf.predict(test[features])]
predsba=iris.target_names[clfba.predict(test[features])]
predsde=iris.target_names[clfde.predict(test[features])]
#print(preds[0:5])


#create a confusion matrix
print(pd.crosstab(test['specials'],preds,rownames=['Actual Species'],colnames=['Predicted Species']))
print(pd.crosstab(test['specials'],predsba,rownames=['Actual Species'],colnames=['Predicted Species']))
print(pd.crosstab(test['specials'],predsde,rownames=['Actual Species'],colnames=['Predicted Species']))
#estimate feature importance
print(list(zip(train[features],clf.feature_importances_)))

其中：

(1)df['specials']=pd.Categorical.from_codes(iris.target,iris.target_names)

是将燕尾花中为

iris.target=[0 0 0...1...2...]数字的转化为对应的字符串名

(2)y=pd.factorize(train['specials'])[0]

是将训练集中的字符串转换为数字，重复的用相同的数字表示。

当然这个代码未考虑交叉验证。

 adaboost算法: 

代码：

import numpy as np
import matplotlib
import matplotlib.pyplot as plt

def base_model(data,Dt):
    m = data.shape[0]
    pred = []
    pos = None
    mark = None
    min_err = np.inf
    for j in range(m):
        pred_temp = [];
        sub_mark = None
        lsum = np.sum(data[:j,1])
        rsum = np.sum(data[j:,1])
        if lsum base[0][0]:
                result -= base[0][1] * alpha_
            else:
                result += base[0][1] * alpha_
        pred_.append(np.sign(result))
    return pred_
if __name__ == '__main__':
    data = np.array([[0,1],[1,1],[2,1],[3,-1],[4,-1],[5,-1],[6,1],[7,1],[8,1],[9,-1]],dtype = np.float32)
    plt.scatter(data[:,0],data[:,1],c=data[:,1],cmap=plt.cm.Paired) 
    plt.xlabel('x')
    plt.ylabel('y')
    plt.show()     
    
    models = adaboost(data)
    
    X=data
    Y=data[:,1]
    Y_=adaboost_prediction(models, X)
    acc=np.sum(1*(Y==Y_)) / float(len(X))

print(acc)

结果：

代码分析：

本代码就是首先定义了 基础模型

然后用adaboost进行样本权值修正 提升基础模型

最后预测 作出了综合评价 综合评价是在训练当中把每个基础模型的系数算出来和预测结果相乘求和之后用sign函数做了评价

 对于本代码分类的错误率计算我总感觉有点问题 不知道它这样的意义何在 不过adaboost的思想是知道了，后面会在sklearn中实现下adaboost

参考：   adaboost：http://www.xtecher.com/Xfeature/view?aid=8109

             随机森林：全球人工智能课堂上老师讲的代码