机器学习实战笔记(Python实现)-06-AdaBoost

---------------------------------------------------------------------------------------

本系列文章为《机器学习实战》学习笔记，内容整理自书本，网络以及自己的理解，如有错误欢迎指正。

源码在Python3.5上测试均通过，代码及数据 --> https://github.com/Wellat/MLaction

---------------------------------------------------------------------------------------

1、基于数据集多重抽样的分类器

1.1 bagging

自举汇聚法（bootstrap aggregating），也称为bagging方法，是在从原始数据集选择S次后得到S个新数据集的一种技术。新数据集和原数据集的大小相等，每个数据集都是在原始数据集中有放回随机选择样本得到，这意味着新数据集中可以有重复的样本，也可能没有包括原数据集的所有样本。

在S个数据集建好之后，将某个学习算法分别作用于每个数据集就得到了S个分类器。当我们要对新数据进行分类时，就可以应用这S个分类器进行分类。与此同时，选择分类器投票结果中最多的类别作为最后的分类结果。

1.2 boosting

boosting和bagging很类似，他们使用相同类型的分类器，但是在boosting中，不同的分类器是通过串行训练而获得的。Boosting集中关注被已有分类器错分的那些数据来获得新的分类器。

由于boosting分类的结果是基于所有分类器的加权求和的结果，所以在boosting中分类器的权重并不相等，每个权重代表的是其对于分类器在上一轮迭代中的成功度。

Boosting方法有多个版本，本节只关注其中一个最流行的版本AdaBoost。

1.3 AdaBoost

AdaBoost是adaptive boosting（自适应boosting）的缩写，它的理论根植于使用弱分离器和多个实例来构建一个强分类器。这里的“弱”意味着分类器的性能比随机猜测要略好，但是也不会好太多；而“强”分类器的错误率将会低很多。

其运行过程如下：训练数据中的每个样本，并赋予其一个权重，这些权重构成了向量D。一开始，这些权重都初始化成相等值。首先在训练数据上训练出一个弱分类器并计算该分类器的错误率，然后在同一数据集上再次训练弱分类器。在分类器的第二次训练当中，将会重新调整每个样本的权重，其中第一次分对的样本的权重将会降低，而第一次分错的样本的权重将会提高。为了从所有弱分类器中得到最终的分类结果，AdaBoost为每个分类器都分配了一个权重值alpha，这些alpha值是基于每个弱分类器的错误率进行计算的。其中，错误率ε的定义为：

而alpha的计算公式为：

AdaBoost算法流程如下图：

计算出alpha值之后，可以对权重向量D进行更新，以使得那些正确分类的样本的权重降低而错分样本的权重升高。

如果某个样本被正确分类，权重更改为：

而如果被错分，权重则更改为：

在计算出D之后，AdaBoost又开始进入下一轮迭代，知道训练错误率为0或者弱分类器的数目达到用户指定值为止。

2、AdaBoost算法的实现

2.1 构建弱分类器

单层决策树是AdaBoost中最流行的弱分类器。

算法伪代码↓

 def buildStump(dataArr,classLabels,D):
     '''
     建立一个单层决策树
     输人为权重向量D，
     返回具有最小错误率的单层决策树、最小的错误率以及估计的类别向量
     '''
     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):#对数据集中的每一个特征
         rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max();
         stepSize = (rangeMax-rangeMin)/numSteps
         for j in range(-1,int(numSteps)+1):#对每个步长
             for inequal in ['lt', 'gt']: #对每个不等号
                 threshVal = (rangeMin + float(j) * stepSize)
                 predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)
                 errArr = mat(ones((m,1)))
                 errArr[predictedVals == labelMat] = 0
                 weightedError = D.T*errArr  #计算加权错误率
                 #print("split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError))
                 #如果错误率低于minError，则将当前单层决策树设为最佳单层决策树
                 if weightedError < minError:
                     minError = weightedError
                     bestClasEst = predictedVals.copy()
                     bestStump['dim'] = i
                     bestStump['thresh'] = threshVal
                     bestStump['ineq'] = inequal
     return bestStump,minError,bestClasEst

 def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):
     '''
     通过阈值比较对数据进行分类
     '''
     retArray = ones((shape(dataMatrix)[0],1))
     if threshIneq == 'lt':
         retArray[dataMatrix[:,dimen] <= threshVal] = -1.0
     else:
         retArray[dataMatrix[:,dimen] > threshVal] = -1.0
     return retArray

2.2 基于单层决策树的AdaBoost训练过程

算法伪代码↓

 def loadSimpData():
     '''
     导入简单训练数据
     '''
     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 adaBoostTrainDS(dataArr,classLabels,numIt=40):
     '''
     基于单层决策树的AdaBoost训练过程
     '''
     weakClassArr = []
     m = shape(dataArr)[0]
     D = mat(ones((m,1))/m)   #初始化权重向量为1/m
     aggClassEst = mat(zeros((m,1)))#记录每个数据点的类别估计累计值
     for i in range(numIt):
         #建立一个单层决策树
         bestStump,error,classEst = buildStump(dataArr,classLabels,D)
         print("D:",D.T)
         #计算alpha，此处分母用max(error,1e-16)以防止error=0
         alpha = float(0.5*log((1.0-error)/max(error,1e-16)))
         bestStump['alpha'] = alpha
         weakClassArr.append(bestStump)
         print("classEst: ",classEst.T)
         #计算下一次迭代的D
         expon = multiply(-1*alpha*mat(classLabels).T,classEst)
         D = multiply(D,exp(expon))
         D = D/D.sum()
         #以下计算训练错误率，如果总错误率为0，则终止循环
         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

2.3 简单测试分类效果

 def adaClassify(datToClass,classifierArr):
     '''
     利用训练出的多个弱分类器进行分类
     datToClass:待分类数据
     classifierArr:训练的结果
     '''
     dataMatrix = mat(datToClass)
     m = shape(dataMatrix)[0]
     aggClassEst = mat(zeros((m,1)))
     #遍历classifierArr中的所有弱分类器，并基于stumpClassify对每个分类器得到一个类别的估计值
     for i in range(len(classifierArr)):
         classEst = stumpClassify(dataMatrix,classifierArr[i]['dim'],\
                                  classifierArr[i]['thresh'],\
                                  classifierArr[i]['ineq'])
         aggClassEst += classifierArr[i]['alpha']*classEst
         print(aggClassEst)
     return sign(aggClassEst)

按如下指令测试：

3、实例：在马疝病数据集上应用AdaBoost分类器

前面一个章节中曾利用Logistic回归来预测患有疝病的马是否能够存活，而在本节我们将利用多个单层决策树和AdaBoost来预测。

 def loadDataSet(fileName):
     '''读取数据函数'''
     numFeat = len(open(fileName).readline().split('\t')) #获取列数，默认最后一列为类标签且类标签为+1和-1
     dataMat = []; labelMat = []
     fr = open(fileName)
     for line in fr.readlines():
         lineArr =[]
         curLine = line.strip().split('\t')
         for i in range(numFeat-1):
             lineArr.append(float(curLine[i]))
         dataMat.append(lineArr)
         labelMat.append(float(curLine[-1]))
     return dataMat,labelMat

 if __name__ == "__main__":

     '''马疝病测试'''
     #导入训练数据
     datArr,labelArr = loadDataSet('horseColicTraining2.txt')
     weakClassArr,aggClassEst = adaBoostTrainDS(datArr,labelArr,10)
     #导入测试数据
     testArr,testLabelArr = loadDataSet('horseColicTest2.txt')
     prediction = adaClassify(testArr,weakClassArr)
     #计算错误率
     errArr = mat(ones((67,1)))
     errArr[prediction != mat(testLabelArr).T].sum()/67

将弱分类器的数目设定为1到10000之间的几个不同数字，并运行上述过程。得到如下结果

在同一数据集上采用Logistic回归得到的平均错误率为0.35，而使用AdaBoost方法，从表中可以看出，仅仅使用50个弱分类器就达到了较高的性能。

THE END.