AdaBoost--从原理到实现
2013-11-03 14:33
211 查看
一.引入
对于Adaboost,可以说是久闻大名,据说在Deep Learning出来之前,SVM和Adaboost是效果最好的 两个算法,而Adaboost是提升树(boosting tree),所谓“提升树”就是把“弱学习算法”提升(boost)为“强学习算法”(语自《统计学习方法》),而其中最具代表性的也就是Adaboost了,貌似Adaboost的结构还和Neural Network有几分神似,我倒没有深究过,不知道是不是有什么干货二.过程
(from PRML)
这就是Adaboost的结构,最后的分类器YM是由数个弱分类器(weak classifier)组合而成的,相当于最后m个弱分类器来投票决定分类,而且每个弱分类器的“话语权”α不一样。
这里阐述下算法的具体过程:
1.初始化所有训练样例的权重为1 / N,其中N是样例数
2.for m=1,……M:
a).训练弱分类器ym(),使其最小化权重误差函数(weighted error function):b)接下来计算该弱分类器的话语权α:
c)更新权重:
其中Zm:
是规范化因子,使所有w的和为1。(这里公式稍微有点乱)
3.得到最后的分类器:
三.原理
可以看到整个过程就是和最上面那张图一样,前一个分类器改变权重w,同时组成最后的分类器如果一个训练样例 在前一个分类其中被误分,那么它的权重会被加重,相应地,被正确分类的样例的权重会降低
使得下一个分类器 会更在意被误分的样例,那么其中那些α和w的更新是怎么来的呢?
下面我们从前项分步算法模型的角度来看看Adaboost:
直接将前项分步加法模型具体到adaboost上:
其中 fm是前m个分类器的结合
此时我们要最小化E,同时要考虑α和yl,
但现在我们假设前m-1个α和y都已经fixed了:那么
其中
,可以被看做一个常量,因为它里面没有αm和ym:
接下来:
其中Tm表示正分类的集合,Mm表示误分类的集合,这一步其实就是把上面那个式子拆开,没什么复杂的东西
然后就是找ym了,就是最小化下式的过程,其实就是我们训练弱分类器
有了ym,α也就可以找了,然后继续就可以找到更新w的公式了(注意这里得到的w公式是没有加规范化因子Z的公式,为了计算方便我们加了个Z进去)
因为这里算出来直接就是上面过程里的公式,就不再赘述了,有兴趣你可以自己算一算
四.实现
终于到实现了,本次实现代码基本基于《统计学习方法》,比如有些符号(弱分类器是G(x),训练样例的目标是y而不是上文所述的t)差异所有的代码你可以在我写的toy toolkit里面找到:DML (你都看到这了,给个star好不好
)
# coding: UTF-8 from __future__ import division import numpy as np import scipy as sp from weakclassify import WEAKC from dml.tool import sign class ADABC: def __init__(self,X,y,Weaker=WEAKC): ''' Weaker is a class of weak classifier It should have a train(self.W) method pass the weight parameter to train pred(test_set) method which return y formed by 1 or -1 see detail in <统计学习方法> ''' self.X=np.array(X) self.y=np.array(y) self.Weaker=Weaker self.sums=np.zeros(self.y.shape) self.W=np.ones((self.X.shape[1],1)).flatten(1)/self.X.shape[1] self.Q=0 #print self.W def train(self,M=4): ''' M is the maximal Weaker classification ''' self.G={} self.alpha={} for i in range(M): self.G.setdefault(i) self.alpha.setdefault(i) for i in range(M): self.G[i]=self.Weaker(self.X,self.y) e=self.G[i].train(self.W) #print self.G[i].t_val,self.G[i].t_b,e self.alpha[i]=1/2*np.log((1-e)/e) #print self.alpha[i] sg=self.G[i].pred(self.X) Z=self.W*np.exp(-self.alpha[i]*self.y*sg.transpose()) self.W=(Z/Z.sum()).flatten(1) self.Q=i #print self.finalclassifer(i),'===========' if self.finalclassifer(i)==0: print i+1," weak classifier is enough to make the error to 0" break def finalclassifer(self,t): ''' the 1 to t weak classifer come together ''' self.sums=self.sums+self.G[t].pred(self.X).flatten(1)*self.alpha[t] #print self.sums pre_y=sign(self.sums) #sums=np.zeros(self.y.shape) #for i in range(t+1): # sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i] # print sums #pre_y=sign(sums) t=(pre_y!=self.y).sum() return t def pred(self,test_set): sums=np.zeros(self.y.shape) for i in range(self.Q+1): sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i] #print sums pre_y=sign(sums) return pre_y
看train里面的过程和上文 阐述的一模一样,finalclassifier()函数是用来判断是否已经无误分类的点 的
当然这里用的Weak Classifier是比较基础的Decision Stump,是根据x>v和x<v来分类的,这个代码稍微烦一点,就不贴到这里了,在DML里也有
先试验下《统计学习方法》里面那个最简单的例子:
可以看到也是三个分类器就没有误分点了,权值的选择也是差不多的
其中后面那个-1 表示大于threshold分为负类,小于分为正类。1则相反
加一些其它数据试试:
结果:
我们把图画出来就是:
基本还是正确的,这是四个子分类器的图,不是最后总分类器的图啊~~~
(实验的代码你也可以在DML里面找到,你都看到这了,给个star好不好~~~~~
)
Reference:
【1】 《Pattern Recognition And Machine Learning》【2】 《统计学习方法》
相关文章推荐
- adaboost原理和实现
- 随机森林,GBDT,Adaboost原理及python实现
- Adaboost从原理到实现(Python)
- AdaBoost--从原理到实现
- chapter7 机器学习之元算法(adaboost)提高分类性能从原理到实现
- AdaBoost--从原理到实现
- AdaBoost从原理到实现
- AdaBoost--从原理到实现
- AdaBoost原理,算法实现
- 机器学习方法:AdaBoost--从原理到实现
- AdaBoost--从原理到实现
- boost::swap 的实现原理
- 机器学习技法实现(一):AdaBoost- Decision Stump (AdaBoost - 决策树的基于Matlab的实现)
- boost中模板函数addressof()实现原理
- AdaBoost算法分析与实现
- traincascade与AdaBoost的opencv实现框架
- AdaBoost人脸检测原理
- 集成学习原理:Adaboost
- 集成学习之bagging、boosting及AdaBoost的实现
- AdaBoost检测原理