Online Boosting Algorithms for Multi-label Ranking

相关
集成学习+快速决策树VFDT

Multi-label learning

多标签学习综述
有分类（classify）任务和排序（rank）任务
本文讨论multi-label ranking (MLR)，使用VFDT实现

Calibrated Label Ranking

算法的基本思想是把多标签学习问题转为标签排序问题，该算法通过“成对比较”来实现标签间的排序。
对q个标签，可以构建q(q-1)/2个标签对，所以可以构建q(q-1)/2个数据集。

快速决策树VFDT

博客
一颗决策树（decision tree）包含一个根节点、若干内部节点和若干叶节点。叶节点代表决策结果

Hinge Loss 是机器学习领域中的一种损失函数，可用于“最大间隔(max-margin)”分类，其最著名的应用是作为SVM的目标函数。

代码解读

（1）读取参数

#读取参数 filename = 'params.csv'，文件内容如下图所示
utils.read_params()
loss = params['loss']
data_source = params['data_source']
num_wls = int(params['num_wls'])
num_covs = int(params['num_covs'])
M = int(params['M'])
gamma = params['gamma']

（2）读取训练和测试数据

#data_source: emotions
fp = utils.get_filepath(data_source, 'train')
#open(fp, 'rb') 以二进制格式打开一个文件用于只读。文件指针将会放在文件的开头
data = arff.load(open(fp, 'rb'))
class_index, _, _ = utils.parse_attributes(data)
train_rows = data['data']

# Load the test data
fp = utils.get_filepath(data_source, 'test')
data = arff.load(open(fp, 'rb'))
test_rows = data['data']

其中utils.get_filepath()

#os.path.join() 路径拼接 各组件名首字母不包含’/’，则函数会自动加上
#os.getcwd()返回当前进程的工程目录
#os.listdir() 返回指定的文件夹包含的文件或文件夹的名字的列表。
DATA_DIR = os.path.join(os.getcwd(), 'data')
#返回指定文件夹中文件名带有key的文件路径
def get_filepath(dataname, key):
    ''' Locate the data file and return the path
    Args:
        dataname (string): folder name that contains the data
        key (string): keyword that is a part of the file
    Returns:
        (string): the file path
    '''
    file_dir = os.path.join(DATA_DIR, dataname)
    for filename in os.listdir(file_dir):
        if key in filename:
            return os.path.join(file_dir, filename)
    return None

（3）加载模型并开始训练、测试

enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标

#计算运行时间
start = time.time()

model = AdaOLMR(data_source, loss=loss,
							num_covs=num_covs, gamma=gamma)
model.M = M
model.gen_weaklearners(num_wls,
                       min_grace=5, max_grace=20,
                       min_tie=0.01, max_tie=0.9,
                       min_conf=0.01, max_conf=0.9,
                       min_weight=3, max_weight=10,
                       seed=seed) 

for i, row in enumerate(train_rows):
    X = row[:class_index]
    Y = row[class_index:]
    pred = model.predict(X)
    model.update(Y)

cum_error = 0

for i, row in enumerate(test_rows):
    X = row[:class_index]
    Y = row[class_index:]
    pred = model.predict(X)
    model.update(Y)
    cum_error += utils.rank_loss(pred, model.Y)

end = time.time()
runtime = round(end - start, 2)
avg_loss = round(cum_error / float(len(test_rows)), 4)

运行

总结

安装

pip install liac-arff
pip install sortedcontainers

run_boosting.py文件开始添加

#!/usr/bin/env python

结果很简单，但过程。。。

解决过程

报错
import: not authorized `np’ @ error/constitute.c/WriteImage/1028

首先在文件开始添加

#!/usr/bin/env python

然后导入arrf时报错，No module named arrf
输入pip install arff，报错：

Traceback (most recent call last):
File “/usr/bin/pip”, line 11, in
sys.exit(main._main())
AttributeError: ‘module’ object has no attribute ‘_main’
原因是之前将升级python3，pip version 10.0.1，按博客改过一些，现在又降为python2.7，所以改回来后解决，安装arff完成。

接着出错ImportError: No module named sortedcontainers，安装后解决

pip install sortedcontainers

报错
TypeError: ‘generator’ object has no attribute ‘getitem’

• 错误位于class_index, _, _ = utils.parse_attributes(data)
• 进一步定位在untils.py中for i, attribute in enumerate(data['attributes']):，关于迭代器
• 应该就是访问data出问题了,即data['attributes']。
  找到一个python中arff相关，没什么帮助
• print(data)得到 ，也就是data是一个generator,generator后直接接[],所以出错。

查到：使用pandas读取arff,但安装pandas一直出错

from scipy.io import arff
import pandas as pd

data = arff.loadarff('yeast-train.arff')
df = pd.DataFrame(data[0])

关于pandas.core.frame.DataFrame类

将arff转csv

没用

Scipy has a module that can read .arff file and convert that to numpy
array. From there we can convert it to a data frame.

data, meta = arff.loadarff(‘emotions-test.arff’)

还有arff.loadarff
把import arff 改成 from scipy.io import arff
data, meta = arff.loadarff(‘emotions-test.arff’)

第72个@attribute开始 是分类结果 所以class_index为72

b = a[i:j] 表示复制a[i]到a[j-1]，以生成新的list对象 当i缺省时，默认为0，即 a[:3]相当于 a[0:3]

data, meta = arff.loadarff(filepath)
#type(row) 所以下面的row是数组
for row in data:
inst = row[:class_index]

用下面的方法可以获得@attribute 的name和类型

meta_names = meta.names()
meta_type = meta.types()

from scipy.io import arff，用arff.loadarff(filepath)来改文件需要修改的地方太多了，改了两个小时，改不下去了，而且还不知道对不对。。。

使用pycharm python3.6

系统上已经有pycharm，我居然还一直在用gedit看代码。。。
‘generator’ object is not subscriptable
是生成器类型，不能使用索引，所以需要转换成list之后再使用索引
for i, attribute in enumerate(list(data)[‘attributes’]):

TypeError: expected str, bytes or os.PathLike object, not _io.BufferedReader

arff 9.0和 liac-arff

arff 9.0

data = arff.load(fp)
for row in data:  
    print(row)  #row.Mean_Acc1298_Mean_Mem40_Centroid 会返回对应值 但好像只使用于numeric类型

看了arff的源码__init__.py，class Reader中__iter__(self):就是这部分可以找到@data开始的部分，所以print(row)打印出来的全是@data部分。
但也没有data['data']之类的操作，看一下liac-arff的源码是怎样的。
先把arff卸载，pip uninstall arff。然后pip install liac-arff
换成liac-arff后，没报错了，看来论文作者用的就是liac-arff，原来用pip install arff安装的版本太老了。
两者加载文件的区别是
liac-arff：data = arff.load(open(fp, ‘rb’))
arff： data = arff.load(fp)

成功运行

---

关于arff：

Attribute-Relation File Format缩写，是weka数据挖掘开源程序使用的一种文件模式
ARFF文件结构：可以分为两个部分：头信息和数据信息。
① 头信息（Head information）：包括了对关系的声明和对属性的声明；

• 关系名称：第一个有效行来定义，格式为@relation
• 属性声明：用一列以“@attribute”开头的语句表示，用来定义属性的名称和数据类型。格式为@attribute

② 数据信息（Data information）：即数据集中给出的数据，“@data”标记独占一行，剩下的是各个实例的数据，每个实例占一行。实例的各属性值用逗号“,”隔开，缺失值（missing value）用问号“?”表示，且这个问号不能省略。

下面是Weka给出的例子

@relation weather

@attribute outlook {sunny, overcast, rainy}
@attribute temperature real
@attribute humidity real
@attribute windy {TRUE, FALSE}
@attribute play {yes, no}

@data
sunny,85,85,FALSE,no
sunny,80,90,TRUE,no
overcast,83,86,FALSE,yes
rainy,70,96,FALSE,yes
rainy,68,80,FALSE,yes
rainy,65,70,TRUE,no
overcast,64,65,TRUE,yes
sunny,72,95,FALSE,no
sunny,69,70,FALSE,yes
rainy,75,80,FALSE,yes
sunny,75,70,TRUE,yes
overcast,72,90,TRUE,yes
overcast,81,75,FALSE,yes
rainy,71,91,TRUE,no