集成算法-Boosting算法案例及推理过程

集成学习（Ensamble Learning）通过训练多个若学习器，然后将其按某种策略组合起来，从而达到最好的学习性能，提高算法的泛华能力。

目前集成学习有3个框架：bagging ,boosting,stacking;

Boosting作用于相同的测试集，在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类性能。

Boosting提升算法的思路

提升方法是基于这样一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。通俗点说，就是”三个臭皮匠顶个诸葛亮”。

工作机制类似先从初始训练集训练出一个弱学习器，再根据学习器的表现对训练样本分布进行调整（通过改变样本概率从而实现改变样本分布），使得先前弱学习器做错的的训练样本在后续学习中得到更多关注，如此重复进行，知道学习器数目达到指定值T，最终将这T个基学习器进行加权组合。

    Leslie Valiant首先提出了“强可学习（strongly learnable）”和”弱可学习（weakly learnable）”的概念，并且指出：在概率近似正确（probably approximately correct, PAC）学习的框架中，一个概念（一个类），如果存在一个多项式的学习算法能够学习它，并且正确率很高，那么就称这个概念是强可学习的，如果正确率不高，仅仅比随即猜测略好，那么就称这个概念是弱可学习的。2010年的图灵奖给了L. Valiant，以表彰他的PAC理论。非常有趣的是Schapire后来证明强可学习与弱可学习是等价的，也就是说，在PAC学习的框架下，一个概念是强可学习的充要条件是这个概念是可学习的。

这样一来，问题便成为，在学习中，如果已经发现了“弱学习算法”，那么能否将它提升（boost）为”强学习算法”。大家知道，发现弱学习算法通常比发现强学习算法容易得多。那么如何具体实施提升，便成为开发提升方法时所要解决的问题。关于提升方法的研究很多，有很多算法被提出。最具代表性的是AdaBoost算法（Adaptive Boosting Algorithm），可以说，AdaBoost实现了PAC的理想。

大多数的提升方法都是改变训练数据的概率分布（训练数据中的各个数据点的权值分布），调用弱学习算法得到一个弱分类器，再改变训练数据的概率分布，再调用弱学习算法得到一个弱分类器，如此反复，得到一系列弱分类器。

代表性的提升算法有Adaboost（adaptive boosting）

Adaboost是1995年由Freund和Schapire提出的，Boosting Tree（提升树）是2000年由Fridman等人提出的。选取的是指数损失函数，

AdaBoost的运行过程如下：训练数据中的每个样本，并赋予其一个权重，这些权重构成向量D。一开始，这些权重都初始化成想等值。首先在训练数据上训练出一个弱分类器并计算该分类器的错误率，然后在同一数据集上再次训练弱分类器。在分类器的第二次训练当中，将会重新调整每个样本的权重，其中第一次分对的样本的权重将会降低，而第一次分错的样本的权重将会提高。（迭代样本的权重）

  为了从所有弱分类器中得到最终的分类结果，AdaBoost为每个分类器都分配了一个权重值alpha, 这些alpha是基于每个弱分类器的错误率ε进行计算的。（弱分类器权重的确定）

 alpha的计算公司：α = 0.5 * ln[(1-ε) / ε]，很明显，当错误率ε越大时，分类器的权重α就越小；

计算出alpha后，可以对权重向量进行更新，以使得那些正确分类的样本权重降低，错误样本权重升高。计算方法如下：

其中

Wt,i代表第t个学习器，对测试集中的第i个样本的权重值；

 

AdaBoost的例子

接下来，给定下边的数据集D，我们用AdaBoost算法来学习得到一个强分类器

数据集D共有10条数据，根据x的输入得到的y可以分类两类，即y=1与y=-1。我们每一轮使用最简单的决策树桩来构建基分类器，即每轮设定一个阈值θ，只要x<θ，就判定为正类(y=1)，x>θ就判定为负类(y=-1)。

第一轮

因为是第一轮，故所有样本的权重相同：

 

第二轮

第一轮训练完成后对进行更新得到，更新公式的推导过程也是等到后边的推到部分再说，此处还是只要知道通过下边的公式来计算更新即可：

其中

上一轮中x=6、7、8的点分错了，可以看到这三个点在中的权重变大了，而其余分类正确的点权重变小了。

第三轮

第二轮训练完成后对进行更新得到，更新公式的推导过程也是等到后边的推到部分再说，此处还是只要知道通过下边的公式来计算更新即可：

其中

上一轮中x=3、4、5的点被分错，所以在中的权重变大，其余分类正确的点权重变小。

弱分类器错误率和样本权重迭代公式的证明：

（1）分类器权重alpha公式的推导

 

2）样本权重矩阵D迭代公式的推导 ：

按照以上思路自己全部动手推到了一遍，一些细节部分做了上下承接；

参考：

https://www.cnblogs.com/willnote/p/6801496.html

https://blog.csdn.net/zhuzuwei/article/details/80538060