组合方法(ensemble method) 与adaboost提升方法

组合方法：

我们分类中用到非常多经典分类算法如：SVM、logistic 等，我们非常自然的想到一个方法。我们是否可以整合多个算法优势到解决某一个特定分类问题中去，答案是肯定的！

通过聚合多个分类器的预測来提高分类的准确率。这样的技术称为组合方法(ensemble method) 。组合方法由训练数据构建一组基分类器，然后通过对每一个基分类器的预測进行权重控制来进行分类。

考虑25个二元分类组合，每一个分类误差是0.35 。假设全部基分类器都是相互独立的（即误差是不相关的），则在超过一半的基分类器预測错误组合分类器才会作出错误预測。这样的情况下的组合分类器的误差率：

组合方法(ensemble method) 与adaboost提升方法

下图对角线表示全部基分类器都是等同的情况，实线是基分类器独立时情况。

组合方法(ensemble method) 与adaboost提升方法

组合分类器性能优于单个分类器必须满足两个条件：（1）基分类器之间是相互独立的（2）基分类器应当好于随机推測分类器。实践上非常难保证基分类器之间全然独立。可是在基分类器轻微相关情况下。组合方法能够提高分类的准确率。

组合方法分为两类：（from http://scikit-learn.org/stable/modules/ensemble.html）

Two families of ensemble methods are usually distinguished:

In averaging methods, the driving principle is to build several estimators independently and then to average their predictions. On average, the combined estimator is usually better than any of the single base estimator because its variance
is reduced.

Examples: Bagging
methods, Forests of randomized trees,
...
By contrast, in boosting methods, base estimators are built sequentially and one tries to reduce the bias of the combined estimator. The motivation is to combine several weak models to produce a powerful ensemble.

Examples: AdaBoost, Gradient
Tree Boosting, ...

以下主要说说Adaboost算法。

先介绍强可学习与弱可学习，假设存在一个多项式的学习算法可以学习它而且正确率非常高，那么就称为强可学习，相反弱可学习就是学习的正确率仅比随机推測稍好。

提升方法有两个问题：1. 每一轮怎样改变训练数据的权重或概率分布 2. 怎样将弱分类器整合为强分类器。

非常朴素的思想解决提升方法中的两个问题：第1个问题-- 提高被前一轮弱分类器错误分类的权值，而减少那些被正确分类样本权值，这样导致结果就是那些没有得到正确分类的数据，因为权值加重受到后一轮弱分类器的更大关注。第2个问题 adaboost 採取加权多数表决方法，加大分类误差率小的弱分类器的权值，使其在表决中起到较大的作用，相反较小误差率的弱分类的权值，使其在表决中较小的作用。

详细说来，整个Adaboost 迭代算法就3步：

初始化训练数据的权值分布。
假设有N个样本，则每个训练样本最開始时都被赋予同样的权重：1/N。
训练弱分类器。
详细训练过程中，假设某个样本点已经被准确地分类，那么在构造下一个训练集中，它的权重就被减少；相反，假设某个样本点没有被准确地分类，那么它的权重就得到提高。然后，权重更新过的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去。
将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后，加大分类误差率小的弱分类器的权重，使其在终于的分类函数中起着较大的决定作用，而减少分类误差率大的弱分类器的权重，使其在终于的分类函数中起着较小的决定作用。换言之，误差率低的弱分类器在终于分类器中占的权重较大，否则较小。

Adaboost算法流程

给定一个训练数据集T={(x1,y1), (x2,y2)…(xN,yN)}，当中实例组合方法(ensemble method) 与adaboost提升方法，而实例空间，yi属于标记集合{-1,+1}。Adaboost的目的就是从训练数据中学习一系列弱分类器或基本分类器。然后将这些弱分类器组合成一个强分类器。

Adaboost的算法流程例如以下：

步骤1. 首先，初始化训练数据的权值分布。
每个训练样本最開始时都被赋予同样的权重：1/N。

步骤2. 进行多轮迭代，用m = 1,2, ..., M表示迭代的第多少轮

a. 使用具有权值分布Dm的训练数据集学习。得到基本分类器：

b. 计算Gm(x)在训练数据集上的分类误差率

由上述式子可知。Gm(x)在训练数据集上的误差率em就是被Gm(x)误分类样本的权值之和。

c. 计算Gm(x)的系数，am表示Gm(x)在终于分类器中的重要程度（目的：得到基本分类器在终于分类器中所占的权重）：

由上述式子可知。em <= 1/2时。am >= 0，且am随着em的减小而增大。意味着分类误差率越小的基本分类器在终于分类器中的作用越大。

d.
更新训练数据集的权值分布（目的：得到样本的新的权值分布），用于下一轮迭代

使得被基本分类器Gm(x)误分类样本的权值增大，而被正确分类样本的权值减小。

就这样，通过这种方式，AdaBoost方法能“聚焦于”那些较难分的样本上。

当中。Zm是规范化因子。使得Dm+1成为一个概率分布：

步骤3. 组合各个弱分类器

从而得到终于分类器，例如以下：

在《统计学习方法》p140页有一个实际计算的样例能够自己计算熟悉算法过程。

Adaboost的误差界

通过上面的样例可知。Adaboost在学习的过程中不断降低训练误差e，直到各个弱分类器组合成终于分类器，那这个终于分类器的误差界究竟是多少呢

其实，Adaboost 终于分类器的训练误差的上界为：

以下，咱们来通过推导来证明下上述式子。

当G(xi)≠yi时，yi*f(xi)<0。因而exp(-yi*f(xi))≥1。因此前半部分得证。

关于后半部分。别忘了：

整个的推导步骤例如以下：

这个结果说明。能够在每一轮选取适当的Gm使得Zm最小，从而使训练误差下降最快。

接着。咱们来继续求上述结果的上界。

对于二分类而言，有例如以下结果：

当中。组合方法(ensemble method) 与adaboost提升方法。

继续证明下这个结论。

由之前Zm的定义式跟本节最開始得到的结论可知：

而这个不等式组合方法(ensemble method) 与adaboost提升方法可先由e^x和1-x的开根号，在点x的泰勒展开式推出。

值得一提的是，假设取γ1, γ2… 的最小值，记做γ（显然，γ≥γi>0，i=1,2,...m）。则对于全部m，有：

这个结论表明。AdaBoost的训练误差是以指数速率下降的。另外。AdaBoost算法不须要事先知道下界γ，AdaBoost具有自适应性。它能适应弱分类器各自的训练误差率。在统计学习方法第八章中有关于这部分比較具体的讲述能够參考！

！

在一个简单数据集上的adaboost 的实现（来自机器学习实战）

from numpy import*

def loadSimpData():

    datMat = matrix([[ 1. ,  2.1],

        [ 2. ,  1.1],

        [ 1.3,  1. ],

        [ 1. ,  1. ],

        [ 2. ,  1. ]])

    classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]

    return datMat,classLabels

def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):

    retArray = ones((shape(dataMatrix)[0],1))

    if threshIneq =='lt':

        retArray[dataMatrix[:,dimen]<= threshVal] = -1.0

    else:

        retArray[dataMatrix[:,dimen] > threshVal] = -1.0

    return retArray

def buildStump(dataArr,classLabels,D):

    dataMatrix = mat(dataArr)

    labelMat = mat(classLabels).T

    m,n = shape(dataMatrix)

    numSteps = 10.0 ; bestStump = {} ; bestClasEst = mat(zeros((m,1)))

    minError = inf

    for i in range(n):

        rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max()

        stepSize = (rangeMax- rangeMin)/numSteps

        for j in range(-1,int(numSteps)+1):

            for inequal in ['lt','gt']:

                threshVal = (rangeMin + float(j)* stepSize)

                predictedVals = stumpClassify(dataMatrix, i, threshVal, inequal)

                errArr = mat(ones((m,1)))

                errArr[predictedVals == labelMat]=0

                weightedError = D.T *errArr

               # print "split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError)

                if weightedError < minError:

                    minError = weightedError

                    bestClasEst = predictedVals.copy()

                    bestStump['dim'] = i

                    bestStump['thresh'] = threshVal

                    bestStump['ineq'] = inequal

    return bestStump,minError,bestClasEst

def adaBoostTrainDS(dataArr,classLabels,numIt=40):

    weakClassArr = []

    m = shape(dataArr)[0]

    D = mat(ones((m,1))/m)   #init D to all equal

    aggClassEst = mat(zeros((m,1)))

    for i in range(numIt):

        bestStump,error,classEst = buildStump(dataArr,classLabels,D)#build Stump

        print "D:",D.T

        alpha = float(0.5*log((1.0-error)/max(error,1e-16)))#calc alpha, throw in max(error,eps) to account for error=0

        bestStump['alpha'] = alpha

        weakClassArr.append(bestStump)                  #store Stump Params in Array

        print "classEst: ",classEst.T

        expon = multiply(-1*alpha*mat(classLabels).T,classEst) #exponent for D calc, getting messy

        D = multiply(D,exp(expon))                              #Calc New D for next iteration

        D = D/D.sum()

        #calc training error of all classifiers, if this is 0 quit for loop early (use break)

        aggClassEst += alpha*classEst

        print "aggClassEst: ",aggClassEst.T

        aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1)))

        errorRate = aggErrors.sum()/m

        print "total error: ",errorRate

        if errorRate == 0.0: break

    return weakClassArr,aggClassEst

if __name__ == "__main__":

    D = mat(ones((5,1))/5)

    datMat,classLabels = loadSimpData()

    buildStump(datMat, classLabels, D)

    adaBoostTrainDS(datMat, classLabels, 10)

输出结果：

D: [[ 0.2 0.2 0.2 0.2 0.2]]

classEst: [[-1. 1. -1. -1. 1.]]

aggClassEst: [[-0.69314718 0.69314718 -0.69314718 -0.69314718 0.69314718]]

total error: 0.2

D: [[ 0.5 0.125 0.125 0.125 0.125]]

classEst: [[ 1. 1. -1. -1. -1.]]

aggClassEst: [[ 0.27980789 1.66610226 -1.66610226 -1.66610226 -0.27980789]]

total error: 0.2

D: [[ 0.28571429 0.07142857 0.07142857 0.07142857 0.5 ]]

classEst: [[ 1. 1. 1. 1. 1.]]

aggClassEst: [[ 1.17568763 2.56198199 -0.77022252 -0.77022252 0.61607184]]

total error: 0.0

參考：统计学习方法、机器学习实战、http://blog.****.net/v_july_v/article/details/40718799

秒客网

组合方法(ensemble method) 与adaboost提升方法

Adaboost算法流程

Adaboost的误差界

相关文章