机器学习算法[7]--集成方法之AdaBoost原理详解及sklearn实现

1. AdaBoost

1.1 原理

AdaBoost通过串行的方式迭代训练多个相互依赖的简单模型，最后综合多个简单模型共同作用产生输出，其中核心训练思想：

（1）提高分类错误或回归偏差大的样本权重，增大对困难样本的关注；降低分类正确或回归偏差小的样本权重，减少对容易样本的关注

（2）提高分类错误率低或回归偏差小的模型权重，增大其对最终输出结果的影响；降低分类错误率高或回归偏差大的模型权重，减少其对最终输出结果的影响

1.1.1 AdaBoost分类

AdaBoost分类更新样本权重和组合分类模型的过程如下：

（1）假设给定一个大小为$n$的数据集：
$$\mathbf{D}=\{(x_1\text{x1}{x}_1,y_1),(x_2\text{x2}{x}_2,y_2),.....,(x_n\text{xn}{x}_n,y_n)\}$$
其中数据集的初始权重分布为：
$${\mathbf{W}}_1^{(\mathbf{i})}=(w_1^{(1)},w_1^{(2)},...,w_1^{(n)})=(\frac{1}{N},\frac{1}{N},...,\frac{1}{N})$$

（2）第t次训练的简单模型分类误差率定义为错误分类样本的权重和：
$$e_t=\sum _{i=1}^n{w}_t^{(i)}I(f_t(x_i\text{xi}{x}_i)\ne y_i),t=1,2,...,m$$

其中$f_t(x_i\text{xi}{x}_i)$为第t次训练的简单模型决策函数，$m$为简单模型训练迭代次数

（3）根据第t次训练简单模型的误差率计算该模型在最终输出的权重占比：
$${\alpha }_t=\frac{1}{2}\log (\frac{1-e_t}{e_t})$$

（4）更新第t+1次训练样本的权重分布：
$${\mathbf{W}}_{\mathbf{t}+1}^{(\mathbf{i})}=\frac{{\mathbf{W}}_{\mathbf{t}}^{(\mathbf{i})}exp(-{\alpha }_t{y}_i{f}_t(x_i\text{xi}{x}_i))}{Z_t}$$
其中$Z_t$为规一化因子，定义如下：
$$Z_t=\sum _{i=1}^n{w}_t^{(i)}exp(-{\alpha }_t{y}_i{f}_t(x_i\text{xi}{x}_i))=2\sqrt{e_t(1-e_t)}$$

（5）当达到指定误差率或简单模型训练的最大迭代次数，则组合得到最终的AdaBoost模型：
$$f(x\text{x}x)=\sum _{t=1}^m{\alpha }_t{f}_t(x\text{x}x)$$

1.1.2 AdaBoost回归

AdaBoost回归更新样本权重和组合回归模型的过程如下：

（1）假设给定一个大小为$n$的数据集：
$$\mathbf{D}=\{(x_1\text{x1}{x}_1,y_1),(x_2\text{x2}{x}_2,y_2),.....,(x_n\text{xn}{x}_n,y_n)\}$$
其中数据集的初始权重分布为：
$${\mathbf{W}}_1^{(\mathbf{i})}=(w_1^{(1)},w_1^{(2)},...,w_1^{(n)})=(\frac{1}{N},\frac{1}{N},...,\frac{1}{N})$$

（2）第t次训练的简单模型中样本相对误差的定义如下：
$$线性误差：e_t^{(i)}=\frac{|y_i-f(x_i\text{xi}{x}_i)|}{E_t}$$
$$平方误差：e_t^{(i)}=\frac{(y_i-f(x_i\text{xi}{x}_i){)}^2}{E_t}$$
$$指数误差：e_t^{(i)}=1-exp(\frac{-|y_i-f(x_i\text{xi}{x}_i)|}{E_t})$$

其中$f_t(x_i\text{xi}{x}_i)$为第t次训练的简单模型决策函数，$E_t$为所有样本中对应的最大误差

（3）第t次训练的简单模型回归误差率定义如下：
$$e_t=\sum _{i=1}^n{w}_t^{(i)}{e}_t^{(i)},t=1,2,...,m$$

其中$m$为简单模型训练迭代次数

（4）根据第t次训练简单模型的误差率计算该模型在最终输出的权重占比：
$${\alpha }_t=\frac{e_t}{1-e_t}$$

（5）更新第t+1次训练样本的权重分布：
$${\mathbf{W}}_{\mathbf{t}+1}^{(\mathbf{i})}=\frac{{\mathbf{W}}_{\mathbf{t}}^{(\mathbf{i})}{\alpha }_t^{1-e_t^i}}{Z_t}$$
其中$Z_t$为规一化因子，定义如下：
$$Z_t=\sum _{i=1}^n{w}_t^{(i)}{\alpha }_t^{1-e_t^i}$$

（6）当达到指定误差率或简单模型训练的最大迭代次数，则组合得到最终的AdaBoost模型：
$$f(x\text{x}x)=\sum _{t=1}^m\ln (\frac{1}{{\alpha }_t})g(x\text{x}x)$$
其中$g(x\text{x}x)$是${\alpha }_t{f}_t(x\text{x}x),t=1,2,3,...,m$的中位数分类器$f_t(x\text{x}x)$

1.2 sklearn实现

参考官方文档：点击查看

AdaBoost分类可通过sklearn库中ensemblel下的AdaBoostClassifier类实现

有关参数：

• base_estimator：简单模型的类型，默认为决策树分类模型
• n_estimators：AdaBoost迭代训练中简单模型的数量
• learning_rate：每次迭代过程中各简单模型的附加权重(正则化方法)
• algorithm：选择迭代训练的算法
• random_state：控制简单模型中存在的随机性

有关属性：

• base_estimateor_：AdaBoost分类中最原始的简单模型
• estimators_：各迭代训练过程中简单模型列表集合
• classes_：各类别标签
• n_classes_：类别数量
• estimator_weights_：各简单模型的权重
• estimator_errors_：各简单模型的分类误差率
• feature_importances_：基于特征计算准则的各特征重要程度
• n_features_in_：特征的个数
• feature_names_in_：特征的名称，仅当输入特征有(字符)名称时可用

有关方法：

• decision_function：计算输入数据在最终AdaBoost模型的预测值
• fit：拟合AdaBoost模型
• get_params：获取对应模型参数
• predict：预测类别
• predict_log_proba：预测l类别概率的对数
• predict_proba：预测类别概率
• score：获取给定数据集的平均准确度
• set_params：设置对应模型参数
• staged_decision_function：返回每一步迭代过程中简单模型函数值的生成器
• staged_predict：返回每一步迭代过程中简单模型预测类别的生成器
• staged_predict_proba：返回每一步迭代过程中简单模型预测类别概率的生成器
• staged_score：返回每一步迭代过程中简单模型平均准确度的生成器

使用案例

>>> import numpy as np
>>> from sklearn.ensemble import AdaBoostClassifier

>>> clf = AdaBoostClassifier() #实例化AdaBoost分类模型对象
>>> X = np.array([[1, 1], [1, 0], [0, 1]]) #数据
>>> y = np.array(['yes', 'no', 'no']) #类别
>>> clf.fit(X, y) #拟合求解
>>> clf.classes_
['no', 'yes']
>>> clf.n_features_in_
2
>>> clf.estimator_weights_
[1., 1.,...,1.]
>>> clf.decision_function(X)
[11.85...,-11.85...,-12.33...]
>>> clf.predict([[1, 0]])
['no']
>>> clf.score(X, y)
1.0

有关AdaBoost回归，点击查看官方文档