AdaBoost算法详解及python实现【Python机器学习系列（十八）】
文章目录
- 1. AdaBoost 算法简介
- 2. AdaBoost算法 逻辑详解
-
- 2.1 数据
- 2.2 带权错误率
- 2.3 损失函数 与 确定样本权重
- 2.3 确定模型权重
- 2.4 输出模型
- 3.AdaBoost算法的python实现
1. AdaBoost 算法简介
Boosting是机器学习的三大框架之一，其特点是，训练过程中的诸多弱模型，彼此之间有着强依赖关系。Boost也被称为增强学习或提升法。典型的代表算法是AdaBoost算法。AdaBoost算法的核心思想是：将关注点放在预测错误的样本上。
AdaBoost 算法可以概括如下：
①假设共有m个样本数据，首先根据需求划分好训练集数据，按照一般思路，训练出第一个弱模型 G 1 ( x ) G_1(x) G1(x)。
②对第一个弱模型 G 1 ( x ) G_1(x) G1(x)，计算该弱模型的分类错误率（或者说带权错误率，但是因为第一次迭代训练是均等权重的，所以第一次迭代的带权错误率等于普通的分类错误率）。
通过计算的分类错误率来确定该弱模型的权重，并更新训练集数据的权值分布。
（这里涉及两个权重不要弄混，先是模型权重，再是样本数据权重）
记模型 G 1 ( x ) G_1(x) G1(x)的权重为 α 1 \alpha_1 α1，则 F 1 ( x ) = 0 + α 1 G 1 ( x ) F_1(x)=0+\alpha_1G_1(x) F1(x)=0+α1G1(x)（因为是第一次迭代，所以上一次可以暂记为0）。
③开始第二次迭代，使用更新后的样本权重再次训练一个弱模型，然后将该弱模型与上一次训练的弱模型 G 2 ( x ) G_2(x) G2(x)，按照一定的规则得到的模型权重进行复合， F 2 ( x ) = F 1 ( x ) + α 2 G 2 ( x ) F_2(x)=F_1(x) + \alpha_2 G_2(x) F2(x)=F1(x)+α2G2(x)。
遂得到模型 F 2 ( x ) F_2(x) F2(x)。
这里的重点，就在于 α 1 ， α 2 \alpha_1，\alpha_2 α1，α2等，这些模型的权重的确定。
④循环以上过程n次(从第二次开始，每次计算的模型错误率，是带权错误率)。
（n的值是自己指定的，希望的迭代次数）。
直到得到模型 F n ( x ) = F n − 1 ( x ) + G n ( x ) F_n(x)=F_{n-1}(x)+G_n(x) Fn(x)=Fn−1(x)+Gn(x)，即为AdaBoost算法的输出模型，此时的模型 F n ( x ) F_n(x) Fn(x)是一个强训练模型。
2. AdaBoost算法 逻辑详解
按照以上思路，下边开始针对其中涉及的细节进行详解。
2.1 数据
首先要面对的，是数据。假设样本数据集D中共有m个样本，并表示如下：
D = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , . . . , ( x m , y m ) } D=\{(x_1,y_1),(x_2,y_2),...,(x_m,y_m)\} D={(x1,y1),(x2,y2),...,(xm,ym)}
其中 x i x_i xi是特征向量， y i y_i yi是标签。标签的取值可以是1和-1。
AdaBoost算法每次训练模型的时候，使用的可以是从m个样本中抽样抽出的部分样本，但是预测的时候必须统一，测试集必须是固定的m个样本。
2.2 带权错误率
使用AdaBoost算法，每次训练完弱模型后，需要进一步计算出其带权错误率。
带权错误率的公式如下：
ε j = ∑ i = 1 m ω i j I { f j ( x ) ≠ y i } \varepsilon_j=\sum_{i=1}^m \omega_{ij}I\{f_j(x)≠y_i\} εj=∑i=1mωijI{fj(x)=yi}
如何理解这个式子：其中 I ( ) I() I()是指示函数，即，当括号内条件满足时值为1，当不满足条件时值为0。
这里括号内的条件，即表示对某样本的分类不正确。可以看出，预测错误的样本越多，该值则越大。
ω i j \omega_{ij} ωij即第j次迭代中的第i个样本的权重。
在第一次迭代中第一次训练弱模型时，每个样本的初始权重是均等的，均为 1 m \frac{1}{m} m1。
即每个样本被选中的概率是均等的。AdaBoost算法首先基于该均等的权重训练一个简单的弱学习器。
且因为均等权重，在第一次迭代的输出的弱分类器的带权错误率，是刚好等于预测错误的个数在m个样本中所占的比重的。（即带权错误率等于普通的分类错误率）。
2.3 损失函数 与 确定样本权重
AdaBoost算法的损失函数为指数损失。
以第k次迭代为例，第k次迭代将得到模型 F k ( x ) = F k − 1 ( x ) + α k G ( x ) F_k(x)=F_{k-1}(x)+\alpha_kG(x) Fk(x)=Fk−1(x)+αkG(x)，则
F k ( x ) F_k(x) Fk(x)的损失函数函数为：
L o s s = ∑ i = 1 m e − y i F k ( x i ) Loss=\sum_{i=1}^me^{-y_iF_k(x_i)} Loss=∑i=1me−yiFk(xi)
经简单分析，可以看出，对于每个样本
若预测正确，则指数为负，损失只增加 1 e \frac{1}{e} e1；
若预测错误，则损失函数的损失会增加e。
将该损失函数进行进一步展开得:
L o s s = ∑ i = 1 m e − y i F k ( x i ) Loss=\sum_{i=1}^me^{-y_iF_k(x_i)} Loss=∑i=1me−yiFk(xi)
= ∑ i = 1 m e − y i ( F k − 1 ( x i ) + α k G ( x i ) ) =\sum_{i=1}^{m}e^{-y_i(F_{k-1}(x_i)+\alpha_kG(x_i))} =∑i=1me−yi(Fk−1(xi)+αkG(xi))
= ∑ i = 1 m e − y i F k − 1 ( x i ) e − y i α k G k ( x i ) =\sum_{i=1}^me^{-y_iF_{k-1}(x_i)}e^{-y_i\alpha_kG_k(x_i)} =∑i=1me−yiFk−1(xi)e−yiαkGk(xi)
因为 L o s s Loss Loss，即该表达式整体，表示的是模型 F k ( x ) F_k(x) Fk(x)的损失，
e − y i α k G k ( x i ) e^{-y_i\alpha_kG_k(x_i)} e−yiαkGk(xi)表示的则是第 k k k次迭代中，新训练弱模型，样本和模型都加权后的损失。
e − y i F k − 1 ( x i ) e^{-y_iF_{k-1}(x_i)} e−yiFk−1(xi)表示的则是第 k − 1 k-1 k−1次迭代中得到的模型 F k − 1 F_{k-1} Fk−1的损失。
鉴于AdaBoost算法是利用上一个弱分类器 F k − 1 F_{k-1} Fk−1的准确率(或者说错误率) 和 模型权重来调整数据，以获得下一个分类器。继续观察该表达式，可以清晰地发现，模型 F k F_k Fk的损失，等于模型 G k G_k Gk乘以模型权重 α k \alpha_k αk后，并经过 以模型 F k − 1 F_{k-1} Fk−1损失为度量尺度的样本权重的调节，后的损失。所以式子中的 e − y i F k − 1 ( x i ) e^{-y_iF_{k-1}(x_i)} e−yiFk−1(xi)即可以理解为样本权重 ω k , i \omega_{k,i} ωk,i。
对于每一个样本，如果在上次迭代结果的模型 F k − 1 F_{k-1} Fk−1中预测正确，则在第k次迭代中给予较小的样本权重；如果在上次迭代结果的模型 F k − 1 F_{k-1} Fk−1中预测错误，则在第k次迭代的预测中给予较大的样本权重，这使得其在第k次迭代中预测的结果将拥有更大的话语权。如果再次预测错误将带来更大的损失。
ω k , i = e − y i F k − 1 ( x i ) \omega_{k,i}=e^{-y_iF_{k-1}(x_i)} ωk,i=e−yiFk−1(xi)这样的表示还尚不完美，因为要将其作为权重，就还需要进行归一化处理才好。
进一步将 F k − 1 F_{k-1} Fk−1再展开可得到每次迭代的样本权重，与上次迭代样本权重之间的关系，并做归一化处理得：
ω k , i = ω k − 1 , i ⋅ e − y i α k − 1 G k − 1 ( x i ) Z t \omega_{k,i}=\frac{\omega_{k-1,i}· e^{-y_i\alpha_{k-1}G_{k-1}(x_i)}}{Z_t} ωk,i=Ztωk−1,i⋅e−yiαk−1Gk−1(xi)
其中 Z t Z_t Zt是归一化因子。这里的 Z t = e k − 1 ( 1 − e k − 1 ) Z_t=\sqrt{e_{k-1}(1-e_{k-1})} Zt=ek−1(1−ek−1)，其中 e k − 1 e_{k-1} ek−1是第k-1次迭代分类的带权错误率。
可以看到该表达式中还有模型权重 α k − 1 \alpha_{k-1} αk−1需要进一步确定。
2.3 确定模型权重
模型权重的确定这一环节，涉及了较为麻烦的推导。这里只讨论逻辑，具体推导过程不再细究。
以第k次迭代为例，第k次迭代将得到模型 F k ( x ) = F k − 1 ( x ) + α k G ( x ) F_k(x)=F_{k-1}(x)+\alpha_kG(x) Fk(x)=Fk−1(x)+αkG(x)，我们需要确定的是 α k \alpha_k αk的值。
以使得AdaBoost算法的损失函数Loss最小为目标，经过一系列麻烦的推导，最终得到
α k = 1 2 log 1 − e k e k \alpha_k=\frac{1}{2}\log{\frac{1-e_k}{e_k}} αk=21logek1−ek
根据该表达式不难看出，分类误差率越大，则对应的弱分类器权重系数也就越小。
___
2.4 输出模型
最终模型的表达式如下所示：
F n ( x ) = s i g n ( ∑ k = 1 m α k G k ( x ) ) F_n(x)=sign(\sum_{k=1}^m\alpha_kG_k(x)) Fn(x)=sign(∑k=1mαkGk(x))
这里使用了符号函数sign，即若值大于0则表示标签1，小于0则表示标签-1。
3.AdaBoost算法的python实现
首先生成两组高斯分布的数据，用于模型训练和效果展示。
import numpy as np
from matplotlib import pyplot as plt
from sklearn.datasets import make_gaussian_quantiles
# 符合高斯分布，均值默认为0，方差为2，200个样本，2个特征，标签有2类，打乱
x1,y1 = make_gaussian_quantiles(
cov=2,
n_samples=200,
n_features=2,
n_classes=2,
shuffle=True,
random_state=1
)
# 满足高斯分布，两个特征，均值都为3，方差为1.5,300个样本数据，标签也有两个类别，打乱
x2,y2 = make_gaussian_quantiles(
mean=(3,3),
cov=1.5,
n_samples=300,
n_features=2,
n_classes=2,
shuffle=True,
random_state=1
)
# 水平拼接：x1, x2
X = np.vstack((x1,x2))
# 垂直拼接：标签值
y = np.hstack((y1,y2))
得到了有500个样本的数据集，该数据集有两个特征，标签取值有两种。特征数据为X，标签数据为y。
做数据可视化展示如下：
# 可视化
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()
数据分布图像如下图所示：
然后训练模型：
# 基础模型 使用决策树分类器作为基础模型
from sklearn.tree import DecisionTreeClassifier
# 导入集成模型AdaBoostClassifier
from sklearn.ensemble import AdaBoostClassifier
# 实例化弱模型 设置最大深度为2
weak_classifier = DecisionTreeClassifier(max_depth=2)
# 集成模型 每次训练随机抽取300个样本，学习率为0.8
clf = AdaBoostClassifier(base_estimator=weak_classifier,algorithm="SAMME",n_estimators=300,learning_rate=0.8)
clf.fit(X,y)
为了更直观地展示模型在每个点处的效果，接下来我们绘制等高线图来呈现模型效果。
首先找出两个特征x1和x2的最小值和最大值，然后在原来的基础上分别减一、加一，来构建网格化数据。
x1_min = X[:,0].min()-1
x1_max = X[:,0].max()+1
x2_min = X[:,1].min()-1
x2_max = X[:,1].max()+1
x1_new,x2_new = np.meshgrid(np.arange(x1_min,x1_max),np.arange(x2_min,x2_max))
做预测：
y_t = clf.predict(np.c_[x1_new.ravel(),x2_new.ravel()])
模型预测结果如下：
绘制等高线图，并填充色彩：
y_t = y_t.reshape(x1_new.shape)
plt.contourf(x1_new,x2_new,y_t)
plt.scatter(X[:,0],X[:,1],c=y)
plt.show()
输出图像效果如下：
如果对等高线图的绘制存在疑问，欢迎点击博客进行学习：实现 等高线图 - 基于python-matplotlib
本次分享就到这里，小啾感谢您的关注与支持！
꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ꧔ꦿ
本专栏更多好文欢迎点击下方连接：
1.初识机器学习前导内容_你需要知道的基本概念罗列_以PY为工具 【Python机器学习系列（一）】
2.sklearn库数据标准预处理合集_【Python机器学习系列（二）】
3.K_近邻算法_分类Ionosphere电离层数据【python机器学习系列（三）】
4.python机器学习 一元线性回归 梯度下降法的实现 【Python机器学习系列（四）】
5.sklearn实现一元线性回归 【Python机器学习系列（五）】
6.多元线性回归_梯度下降法实现【Python机器学习系列（六）】
7.sklearn实现多元线性回归 【Python机器学习系列（七）】
8.sklearn实现多项式线性回归_一元/多元 【Python机器学习系列（八）】
9.逻辑回归原理梳理_以python为工具 【Python机器学习系列（九）】
10.sklearn实现逻辑回归_以python为工具【Python机器学习系列（十）】
11.决策树专题_以python为工具【Python机器学习系列（十一）】
12.文本特征提取专题_以python为工具【Python机器学习系列（十二）】
13.朴素贝叶斯分类器_以python为工具【Python机器学习系列（十三）】
14.SVM 支持向量机算法（Support Vector Machine ）【Python机器学习系列（十四）】
15.PCA主成分分析算法专题【Python机器学习系列（十五）】
16.机器学习模型性能度量详解 【Python机器学习系列（十六）】
17.集成学习之随机森林案例专题【Python机器学习系列（十七）】
18.AdaBoost算法详解及python实现【Python机器学习系列（十八）】