机器学习第六篇:集成学习AdaBoost

1.理论知识:

集成学习根据学习器之间是否存在依赖关系划分为两类:

  • 学习器之间存在强依赖关系、必须串行生成的序列化方法——Boosting
  • 学习器之间不存在强依赖关系、可同时生成的并行化方法——Bagging和随机森林

这里主要介绍Boosting的主要代表Adaboost。

Adaboost采取加权多数表决的方法,加大分类误差率小的弱分类器的权值,使其在表决中起较大的作用。

算法如下:

  • 初始化训练数据的权值分布:

D_1 = (\omega _{11},...,\omega_{1N}),\omega_{1i} = \frac{1}{N}

  • 根据权值分布D寻找使得误差率e_m达到最小的G_m(x)的分布
  • 计算G_m(x)的系数

\alpha _m = \frac{1}{2}log\frac{1-e_m}{e_m}

  • 根据求得的alpha更新权值分布

D_{m+1} = (\omega_{m+1,1},...,\omega_{m+1,N})

\omega_{m+1,i} = \frac{\omega_{mi}}{Z_m}exp(-\alpha_my_iG_m(x_i))

其中Z_m

Z_m = \sum _{i = 1}^{N}\omega_{mi}exp(-\alpha_my_iG_m(x_i))

  • 构建基本分类器的线性组合

f(x) = \sum \alpha_mG_m(x)

最终得到分类器:

G(x) = sign(f(x))

2.源代码实现:

首先获取数据,这里随便写一组数据做为我们的训练集:

def loadSimpData():
    datMat = matrix([[ 1. ,  2.1],
        [ 2. ,  1.1],
        [ 1.3,  1. ],
        [ 1. ,  1. ],
        [ 2. ,  1. ]])
    classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
    return datMat,classLabels

获取数据之后,根据算法我们首先初始化我们的D并且构建第一个G_1(x),进行验证的时候,这里的D可以先手动输入一下:

def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):#just classify the data
#这个函数的主要作用就是构建G(x),我们只能用具体的矩阵来表达我们的G(x),告诉机器怎么做,并不可能达到书面的那种书写表达。比如当x<1.3是为-1,大于等于1.3为1那么对dataMatrix第一列的矩阵就为[-1,-1,1,1,1]这就是我们的G(x)
    retArray = ones((shape(dataMatrix)[0],1))
    if threshIneq == 'lt':
        retArray[dataMatrix[:,dimen] <= threshVal] = -1.0
    else:
        retArray[dataMatrix[:,dimen] > threshVal] = -1.0
    return retArray
    

def buildStump(dataArr,classLabels,D):
    dataMatrix = mat(dataArr); labelMat = mat(classLabels).T
    m,n = shape(dataMatrix)
    numSteps = 10.0; #步长
    bestStump = {}; #用于存放分类器的基本信息
    bestClasEst = mat(zeros((m,1)))
    minError = inf #init error sum, to +infinity
    for i in range(n):#loop over all dimensions
        rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max();
        stepSize = (rangeMax-rangeMin)/numSteps
        for j in range(-1,int(numSteps)+1):#循环所有情况,旨在找出最小的e_m,找到最小的e_m,就对应找到了G(x)
            for inequal in ['lt', 'gt']: #go over less than and greater than
                threshVal = (rangeMin + float(j) * stepSize)
                predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)#计算当前的阈值情况下的两种G(x),lt和gt
                errArr = mat(ones((m,1)))
                errArr[predictedVals == labelMat] = 0#相等的部分为0,不相等的不变
                weightedError = D.T*errArr  #计算当前G(x)下的e_m
                #print "split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError)
                if weightedError < minError:#找到最小e_m,并保存相关信息
                    minError = weightedError
                    bestClasEst = predictedVals.copy()
                    bestStump['dim'] = i
                    bestStump['thresh'] = threshVal
                    bestStump['ineq'] = inequal
#因为我们最终需要的只是G(x)和alpha(后面计算),G(x)是用dim、thresh、ineq这三个变量来表达形成的,带入stumpClassify就能获得我们的G(x),间接的把G(x)存放了起来
    return bestStump,minError,bestClasEst

第一个分类器构建完成,之后我们就要根据产生的e_m来计算alpha和权值的更新:

def adaBoostTrainDS(dataArr,classLabels,numIt=40):
    weakClassArr = []
    m = shape(dataArr)[0]
    D = mat(ones((m,1))/m)   #init D to all equal
    aggClassEst = mat(zeros((m,1)))
    for i in range(numIt):#迭代次数
        bestStump,error,classEst = buildStump(dataArr,classLabels,D)#classest就是我们的G(x)
        #print "D:",D.T
        alpha = float(0.5*log((1.0-error)/max(error,1e-16)))#根据算法公式,计算alpha
        bestStump['alpha'] = alpha #alpha就是我们需要的另外一个重要的信息 
        weakClassArr.append(bestStump)               #store Stump Params in Array
        #print "classEst: ",classEst.T
        expon = multiply(-1*alpha*mat(classLabels).T,classEst) 
        D = multiply(D,exp(expon))                              
        D = D/D.sum()#D.sum()就是我们的z,这里很巧妙的都放在了一起计算
        
        aggClassEst += alpha*classEst#这就是f(x) =\sum (alpha * G(x))
        #print "aggClassEst: ",aggClassEst.T
        aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1)))
#不相等返回true,当所有相等时,全部返回false,与ones相乘必然为0
        errorRate = aggErrors.sum()/m
        #print "total error: ",errorRate
        if errorRate == 0.0: break#当全部为0时集成完成,就可以退出循环了
    return weakClassArr,aggClassEst

当我们构建完我们的分类器,来进行测试:

def adaClassify(datToClass,classifierArr):
    dataMatrix = mat(datToClass)#测试数据
    m = shape(dataMatrix)[0]
    aggClassEst = mat(zeros((m,1)))
    for i in range(len(classifierArr)):
        classEst = stumpClassify(dataMatrix,classifierArr[i]['dim'],\
                                 classifierArr[i]['thresh'],\
                                 classifierArr[i]['ineq'])
#根据前面说到的,dim、thresh、ineq返回的矩阵就是我们的G(x)
        aggClassEst += classifierArr[i]['alpha']*classEst
#aggClassEst = f(x) = \sum (alpha*G(x))
    return sign(aggClassEst)

这就是整个Adaboost的过程,有问题的小伙伴欢迎在下面留言

你可能感兴趣的:(机器学习)