Foundations of Machine Learning: Boosting

Foundations of Machine Learning: Boosting

    Boosting是属于自适应基函数(Adaptive basis-function Model(ABM))中的一种模型。自适应基函数可以表示成：

$$f(x)=w_0+\sum_{m=1}^Mw_m\phi_m(x).$$

其中基函数$\phi_m$在Boosting里面叫做weak learner。Boosting会不断学习出weak learner,然后通过权重向量将这些weak learner组合成一个stronger learner。 并且可以证明只要weak learner 比随机learner好，那么Boosting总可以以很高的概率组合成一个性能任意好的stronger learner。

Boosting 在每一次迭代都会产生一个weak learner，而这个weak learner 与其他的机器学习算法一样，都是通过训练集学习出来的，现在假如我们每一步学习用到的训练集都一样的话，那么每一步学习出来的weak learner可能都差不多，甚至一样，这样组合起来的最终结果并没有什么意义。所以Boosting在每一步都会根据上一步的结果来产生一个新的训练集。

一、二分类下的AdaBoost算法。

   

AdaBoost的特点：

1. 每次迭代中的训练集因分布$D_t$不同而不同，而$D_{t+1}$根据$D_t$产生。
2. 每次迭代产生的$\epsilon_t$称为该weak learner的错误率。由于$\epsilon_t<1/2$,故$\alpha_t>0$，而$\alpha_t$最后作为组合weak learner的权重，显然$\epsilon_t$越小，$\alpha_t$越大，也即好的weak learner的权重越大。
3. $D_t$作为每个样本的权重分布，当第$t$步产生的$h_t$使样本$x_i$发生错误则，$D_{t+1}(i)=\frac{D_{t}(i)exp(\alpha_t)}{z_t}$，使第i个样本权重增大；当$h_t$使样本$x_i$不发生错误时，$D_{t+1}(i)=\frac{D_{t}(i)exp(-\alpha_t)}{z_t}$，使样本i的权重减小。也就是说，在下一步总是更关心上一步被分错的那些点。
4. 除以$z_t$是为了使$D_{t+1}$成为一个分布，即保证$\sum_{i=1}^mD_{t+1}(i)=1$。故
    \begin{align*}Z_t &=\sum _{i=1} ^mD_t(i)e^{-\alpha_ty_ih_t(x_i)} \\& =\sum _{i:y_ih_t(x_i)=1}D_t(i)e^{-\alpha_t}+\sum _{i:y_ih_t(x_i)=-1}D_t(i)e^{\alpha_t} \\&=(1-\varepsilon_t)e^{-\alpha_t}+\varepsilon_te^{\alpha_t} \\&=(1-\varepsilon_t)\sqrt{\frac{\varepsilon_t}{1-\varepsilon_t}}+\varepsilon_t\sqrt{\frac{1-\varepsilon_t}{\varepsilon_t}} \\&=2\sqrt{\varepsilon_t(1-\varepsilon_t)}\end{align*}

二、经验错误的界。

定理 3.1 AdaBoost算法返回的分类器所产生的经验错误满足如下的界：

$$\widehat{\mathcal{R}}(h)\leq exp[-2\sum_{t=1}^T(\frac{1}{2}-\epsilon _t)^2],$$

更进一步说，如果对所有的$t\in [1,T],\gamma\leq (\frac{1}{2}-\epsilon _t)$，那么

$$\widehat{\mathcal{R}}(h)\leq exp(-2\gamma^2T).$$

证明：由$\mathbb{I}((u\leq 0))\leq \exp(-u)$得：

\begin{align*}\widehat{\mathcal{R}}(h) &=\frac{1}{m}\sum{i=1}^m\mathbb{I}((y_ig_T(x_i))\leq 0)  \\&\leq \frac{1}{m}\sum _{i=1} ^me^{-y_ig_T(x_i)}\end{align*}

根据$D_t$的定义有：

\begin{align*}D_1(i) &=\frac{1}{m}  \\D_2(i) &=\frac{exp(-\alpha_1 y_i h_1 (x_i))}{mz_1} \\     D_3(i) &=\frac{exp(-\alpha_1 y_i h_1 (x_i))}{mz_1}\cdot\frac{exp(-\alpha_2 y_i h_2 (x_i))}{z_2} \\ ...    &  ... \\D_t(i) &=\frac{exp(-\alpha_1 y_i h_1 (x_i))\cdot exp(-\alpha_2 y_i h_2 (x_i))...exp(-\alpha_{t-1} y_i h_{t-1} (x_i))}{mz_1\cdot ...\cdot z_{t-1}}\end{align*}

$$\Longrightarrow \ D_{t+1}(i)=\frac{e^{-y_ig_t(x_t)}}{m\Pi_{s=1}^{t}z_s} \ \Rightarrow e^{-y_ig_T(x_i)}=m\Pi_{s=1}^Tz_s\cdot D_{T+1}(i)$$

代入上式：
 \begin{align*}\widehat{\mathcal{R}}(h) &\leq \frac{1}{m} \sum _{i=0} ^mm\Pi_{s=1}^Tz_sD_{T+1}(i) \\&=\Pi_{s=1}^T z_s  \\&=\Pi_{t=1}^T 2\sqrt{\epsilon_t(1-\epsilon_t)} \\    &\leq \Pi_{t=1}^T \exp[-2(\frac{1}{2}-\epsilon)^2)] \\     &= \exp[-2\sum _{t=1}^T(\frac{1}{2}-\epsilon_t)^2] \end{align*}

 注意点：

1. $\alpha_t=1/2\log\frac{1-\epsilon_t}{\epsilon_t}$的原因：要使得$z_t=(1-\varepsilon_t)e^{-\alpha_t}+\varepsilon_te^{\alpha_t}$最小,令其导数等于0即可求得。即令$\frac{dZ_t(\alpha_t)}{d\alpha_t}=-(1-\epsilon_t)e^{\alpha_t}+\epsilon_t e^{\alpha_t}=0$
   $$\Longleftrightarrow\ \ (1-\epsilon_t)e^{-\alpha_t}=\epsilon_te^{\alpha_t}\Longleftrightarrow\ \ \alpha_t=\frac{1}{2}log\frac{1-\epsilon_t}{\epsilon_t} $$
   $\alpha_t$是根据最小化$Z_t$来选取，即每次选得$\alpha_t$都使$\widehat{\mathcal{R}}(h)$的上界变小。
2. 其中的$\gamma$叫做edge。

三、使用VC理论去界定泛化界。

    像上面章节一样，假设集H为所有可选择的基本假设$h_t$的集合，$C_T$为用T个基本假设线性组合的组合假设。对二分类来说：$C_T=\{H(x)=sign(\sum _{t=1} ^T\alpha_th_t(x)),h_t\in H,\alpha_t\in R\}$。定义一个函数$\sigma:R^T\rightharpoonup\{-1,+1\}$,且$\sigma(x)=sign(w\cdot x)$,令$\sum_T$表示所有这样的$\sigma$函数，即$\sum_T=\{\sigma(x)=sign(w\cdot x);w\in \mathbb{R}^T\}$。所以$H(x)=sign(\sum _{t=1}^T\alpha_t h_t(x))$就可以表示成$H(x)=\sigma(h_1(x),h_2(x),...,h_T(x))$。而

$$C_T=\{x\rightarrow\sigma(h_1(x),h_2(x),...h_T(x)):\sigma \in\Sigma_T;h_1,...,h_T\in H\}.$$

引理 3.1 在$R^n$中的线性阈值函数空间$\sum_n$的VC维为$n$。

证明：

 1：证明存在n个点可以被打散。

    令$e_i$为n维空间的基向量，即

\begin{equation*}e_i(j)=\begin{cases} 1 &\mbox{$j=i$}\\    0 & \mbox{$j\neq i$}   \end{cases}   \end{equation*}
 则只需证明$e_1,e_2,...,e_n$可以被$\sum_n$打散。
    首先，对于任何一种二分结果，我们都可以将其表示成$(y_1,y_2,...,y_n)$，其中$y_i \in\{-1,+1\}$。所以当我们令$w=(y_1,y_2,...,y_n)$时，由$sign(w\cdot e_i)=y_i$可知，该二分结果总可以被实现。故$e_1,e_2,...,e_n$可以被$\sum_n$打散。
     所以$\sum_n$的VC维至少为n。

2： 证明所有n+1个点都不可以被打散。

    假设存在n+1个点$x_1,...,x_{n+1}\in\mathbb{R}^n$可以被$\sum_n$打散。那么，必定存在不全为0的$\beta_1,\beta_2,....,\beta_{n+1}$使$\sum _{i=1} ^{n+1}\beta_ix_i=0$。

不失一般性，我们假设$\beta_{n+1}>0$，由于这些点可以被$\sum_n$打散，故一定存在一个$\omega \in R^n$使分类的结果为

\begin{equation*}y_i= \begin{cases} +1 & if\ \beta_i>0 \\  -1 & if\ \beta_i\leq0  \end{cases} \end{equation*}

即$\omega$满足$sign(\omega\cdot x_{n+1})=+1$,
  \begin{equation*}sign(\omega\cdot x_i)=  \begin{cases}   +1 & if \beta_i>0 \\     -1 & if \beta_i\leq0   \end{cases}  \end{equation*}
  即$\beta_{n+1}\cdot \omega \cdot x_{n+1}>0,\beta_i\cdot \omega \cdot x_i>0$。
  而且
  \begin{align*} 0=\omega\cdot 0 &=\omega \cdot \sum _{i=1} ^{n+1}\beta_i\cdot x_i \\                &=\sum _{i=1} ^{n+1}\beta_i\cdot\omega\cdot x_i>0 \end{align*}
  所以矛盾。

引理 3.2 假设H是有限的。令$m\geq T\geq 1$，那么对任意的有$m$个点的集合$S$，由$C_T$所实现的划分的数量的界为：
$$\mid \Pi_{C_T}(S)\mid\leq \Pi _{C_T}(m)\leq(\frac{em}{T})^T\mid H\mid^T$$

证明：令$S=(x_1,x_2,...,x_m)$。考虑到固定序列的基本假设$h_1,h_2,...,h_T \in H$，相对这些基本假设，我们得到一个新的样本$S'=(x_1',x_2',...,x_m')$，其中$x_i'=(h_1(x_i),...,h_T(x_i))$,即每一个样本$x_i$在每一步中得到的结果组成的向量。
 由于$\sum_T$的VC维为T，所以根据推论2.3有：
  $$|\Pi_{\sum_T}(S')|\leq (\frac{em}{T})^T$$
 由于选择$h_1,...,h_T$的方式有$|H|^T$种，所以可以得到
$$|\Pi_{C_T}(S)|\leq \Pi_{C_T}(m)\leq(\frac{em}{d})^T|H|^T$$

 

    如何理解上述引理？首先我们得先明确，Boosting的假设集$C_T$ 由两部分结合而成（或者说是由两种函数复合而成）。第一个选基函数，即选$h_1,h_2,...,h_T$；第二个选线性函数，即选择系数将$h_1,h_2,...,h_T$线性组合起来。
    第一种的选择方式有$\mid H\mid^T$ 种可能，第二种的选择方式有无穷多种，但有效的选择方式只有$\mid\Pi_{\sum_T}(S')$种。
    或者可以这样理解：先选择$h_1,h_2,...,h_T$，然后由这些$h_1,h_2,...,h_T$ 组成一个新的坐标系，把原来的样本转换到这个新坐标系中得到新样本，然后用一个线性分类器对这个新样本分类。

引理3.3 假设H拥有有限的VC维$d\geq 1$。令$m\geq\max{d,T}$。对任意的m个点的集合S，由$C_T$所实现的划分的数量的界为：
$$\mid \Pi_{C_T}(S)\mid\leq \Pi _{C_T}(m)\leq(\frac{em}{T})^T(\frac{em}{d})^{dT}$$

证明：

    令任意大小为 m 的样本 $S=\{x_1,x_2,...,x_m\}$, 则用假设集H中的每一个元素预测样本S最多可以实现的“二分”结果个数为$\mid \Pi_H(S)\mid$。 现在我们对每一个“二分”结果只取一个假设$h'$ 构成一个新的假设集$H'$,则 $\mid H'\mid=\mid\Pi_H(S）\mid$且根据 推论2.3 可知： $|H'|=|\Pi_H(S)|\leq (\frac{em}{d})^d$.
   由于每一个$h\in H$在样本S上产生的二分结果在$H'$中都存在着唯一一个$h'\in H'$与之相对应。所以在H上选择T个$h\in H$与在$H'$上选择T个$h'\in H'$是等价的。即根据 引理3.1 有：
 \begin{align*}|\Pi_{C_T}(S)| &\leq (\frac{em}{T})^T|H'|^T  \\     &\leq (\frac{em}{T})^T(\frac{em}{d})^dT  \end{align*}

 

    有了这个界后，我们可以将 推论2.2 拿过来产生Boosting的 generalization error的界，即：
\begin{align}\mathcal{R}(h) &\leq \widehat{\mathcal{R}}(h) + \sqrt{\frac{2log\Pi_{C_T}(m)}{m}} + \sqrt{\frac{log\frac{1}{\delta}}{2m}} \\        &\leq \widehat{\mathcal{R}}(h) + \sqrt{\frac{2Tlog\frac{em}{T}+2dTlog\frac{em}{d}}{m}} + \sqrt{\frac{log\frac{1}{\delta}}{2m}}\end{align}
从上面的不等式可以看出，当T越来越大时$\mathcal{R}$的上界会不断增大，似乎当T很大时会产生 overfit 的情况。但在实际情况下，Boosting 很少会产生overfit的情况，既然在$\widehat{\mathcal{R}}(h)=0$ 情况增加T也不会产生 overfit。 而这种情况就需要用新的理论来解释，即 Margin 理论：当T不断增加时，Margin 会越来越大，即可置信的程度越来越高。