Adaboost模型学习

不知不觉已经很久没有更新文章了，因为疫情在家里呆了整整五个月，也玩了五个月，今天又捡起了原来的书《MATLAB神经网络43个案例分析》学习一下算法，今后也会抽空继续分享一下学习心得。

Adaboost强分类器模型

Adaboost强分类器通俗的讲就是多个弱分类器的一个组合，而所谓的弱分类器就是我们常常用的神经网络、KNN等模型。其工作步骤主要为：

1.首先给出弱学习算法和样本空间（x,y），从样本空间中找出m组训练数据，每组训练数据的权重都是1/m；

2.然后用弱学习算法迭代运算T次，每次运算后都按照分类结果就计算预测误差和，并更新训练样本的权重，其中分类错误的样本会被赋予较大的权重，以便下次迭代运算时更加关注这些训练个体。

3.弱分类器通过多次迭代得到分类函数序列f1,f2,f3....fT，并根据每次迭代得到的预测误差和求得分类函数的权重，分类结果越好的函数，其对应的权重也就越大。

因此，通过多个弱分类器分类结果与分类函数权重的加权，可以得到最终强分类器的分类结果。（注意：这里面有两个权重，一个是训练样本权重，一个是分类函数权重，一定要区分这两个概念。）

下面将《MATLAB神经网络43个案例分析》中Adaboost模型的具体步骤贴出，供大家参考：

下面是书中的代码，供大家学习：

%% 该代码为基于BP-Adaboost的强分类器分类
%
% 
% 
	
		
该案例作者申明：
	
	
1：本人长期驻扎在此板块里，对该案例提问，做到有问必答。本套书籍官方网站为：video.ourmatlab.com
		
2：点此从当当预定本书：《Matlab神经网络30个案例分析》。
	
3：此案例有配套的教学视频，视频下载方式video.ourmatlab.com/vbuy.html。 
	
			
		
		4：此案例为原创案例，转载请注明出处（《Matlab神经网络30个案例分析》）。
	
		
		
		5：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。
	
		
% 
%% 清空环境变量
clc
clear

%% 下载数据
load data input_train output_train input_test output_test

%% 权重初始化
[mm,nn]=size(input_train);
D(1,:)=ones(1,nn)/nn;

%% 弱分类器分类
K=10;
for i=1:K
    
    %训练样本归一化
    [inputn,inputps]=mapminmax(input_train);
    [outputn,outputps]=mapminmax(output_train);
    error(i)=0;
    
    %BP神经网络构建
    net=newff(inputn,outputn,6);
    net.trainParam.epochs=5;
    net.trainParam.lr=0.1;
    net.trainParam.goal=0.00004;
    
    %BP神经网络训练
    net=train(net,inputn,outputn);
    
    %训练数据预测
    an1=sim(net,inputn);
    test_simu1(i,:)=mapminmax('reverse',an1,outputps);
    
    %测试数据预测
    inputn_test =mapminmax('apply',input_test,inputps);
    an=sim(net,inputn_test);
    test_simu(i,:)=mapminmax('reverse',an,outputps);
    
    %统计输出效果
    kk1=find(test_simu1(i,:)>0);
    kk2=find(test_simu1(i,:)<0);
    
    aa(kk1)=1;
    aa(kk2)=-1;
    
    %统计错误样本数
    for j=1:nn
        if aa(j)~=output_train(j);
            error(i)=error(i)+D(i,j);
        end
    end
    
    %弱分类器i权重
    at(i)=0.5*log((1-error(i))/error(i));
    
    %更新D值
    for j=1:nn
        D(i+1,j)=D(i,j)*exp(-at(i)*aa(j)*test_simu1(i,j));
    end
    
    %D值归一化
    Dsum=sum(D(i+1,:));
    D(i+1,:)=D(i+1,:)/Dsum;
    
end

%% 强分类器分类结果
output=sign(at*test_simu);

%% 分类结果统计
%统计强分类器每类分类错误个数
kkk1=0;
kkk2=0;
for j=1:350
    if output(j)==1
        if output(j)~=output_test(j)
            kkk1=kkk1+1;
        end
    end
    if output(j)==-1
        if output(j)~=output_test(j)
            kkk2=kkk2+1;
        end
    end
end

kkk1
kkk2
disp('第一类分类错误  第二类分类错误  总错误');
% 窗口显示
disp([kkk1 kkk2 kkk1+kkk2]);

plot(output)
hold on
plot(output_test,'g')

%统计弱分离器效果
for i=1:K
    error1(i)=0;
    kk1=find(test_simu(i,:)>0);
    kk2=find(test_simu(i,:)<0);
    
    aa(kk1)=1;
    aa(kk2)=-1;
    
    for j=1:350
        if aa(j)~=output_test(j);
            error1(i)=error1(i)+1;
        end
    end
end
disp('统计弱分类器分类效果');
error1

disp('强分类器分类误差率')
(kkk1+kkk2)/350

disp('弱分类器分类误差率')
(sum(error1)/(K*350))
web browser www.matlabsky.com
%%
% 
% 
	
Matlab神经网络30个案例分析
相关论坛：
《Matlab神经网络30个案例分析》官方网站：video.ourmatlab.com
Matlab技术论坛：www.matlabsky.com
Matlab函数百科：www.mfun.la
Matlab中文论坛：www.ilovematlab.com
	
%