机器学习算法：AdaBoost
【摘要】 AdaBoost算法（Adaptive Boost）的核心思想是：如果一个弱分类器的分类效果不好，那么就构建多个弱分类器，综合考虑它们的分类结果和权重来决定最终的分类结果。很多人认为AdaBoost是监督学习中最强大的两种算法之一（另一个是支持向量机SVM）。AdaBoost的训练过程如下：为每个训练样本初始化相同的权重；针对训练样本及权重，找到一个弱分类器；计算出这个弱分类器的错误率ε与权...
AdaBoost算法（Adaptive Boost）的核心思想是：如果一个弱分类器的分类效果不好，那么就构建多个弱分类器，综合考虑它们的分类结果和权重来决定最终的分类结果。很多人认为AdaBoost是监督学习中最强大的两种算法之一（另一个是支持向量机SVM）。
AdaBoost的训练过程如下：
为每个训练样本初始化相同的权重；
针对训练样本及权重，找到一个弱分类器；
计算出这个弱分类器的错误率ε与权重α；
对正确分类的样本，降低其权重，对错误分类的样本，提升其权重；
返回2不断迭代，直至弱分类器数量足够；
其中错误率ε定义为分错的样本数除以总样本数。权重α定义为：
权重提升与降低的公式如下：
对未知样本分类时，用每个弱分类器进行分类，将结果乘以这个分类器的权重α，累加到一起得到一个猜测值，根据其正负决定最终输出1还是-1。注意AdaBoost只能解决二分类问题，如果多于2个分类，需要做一定变通。
在AdaBoost中，广泛使用单层决策树（Decision Stump）作为弱分类器。之前研究ID3算法的决策树时，样本特征是离散型数据，这回研究连续型数据，因此之前的方法就不可用了，需要基于边界比较来确定分类。另外需要注意要同时考虑权重D来决定最佳切分方式。基本思路如下：
foreach(每一个维度){
在此维度最大最小值之间切出N个边界 foreach(每一个边界)
{
针对"<="与">"两种情况 {
获取此条件下的分类结果（满足记为1，不满足记为-1） foreach(每一个结果)
{
if(猜测错误)
累加加权错误率 }
保留最小加权错误率的切分方式 }
}}由于只在一个维度上切分一次，可以想像单层决策树的错误率应该相当高，是典型的弱分类器。但是综合考虑它们的结果及权重，最终的分类错误率可以做到大大低于单个单层决策树。上完整C#版AdaBoost的实现代码：
首先是DataVector，之前Label一直是字符串，这回要出现1和-1了，因此改造一下，使Label的类型可定义：
using System;namespace MachineLearning{
/// <summary>
/// 数据向量
/// </summary>
/// <typeparam name="TData">特征类型</typeparam>
/// <typeparam name="TLabel">标签数据</typeparam>
public class DataVector<TData, TLabel>
{
/// <summary>
/// N维数据
/// </summary>
public TData[] Data { get; private set; }
/// <summary>
/// 分类标签
/// </summary>
public TLabel Label { get; set; }
/// <summary>
/// 构造
/// </summary>
/// <param name="dimension">数据维度</param>
public DataVector(int dimension)
{
Data = new TData[dimension];
}
/// <summary>
/// 维度数量
/// </summary>
public int Dimension {
get { return this.Data.Length; }
}
}}然后是一个存储单层决策树的结构：
using System;using System.Collections.Generic;namespace MachineLearning{
/// <summary>
/// 单层决策树
/// </summary>
public class DecisionStump {
/// <summary>
/// 分类器权重
/// </summary>
public double Alpha { get; set; }
/// <summary>
/// 加权错误率
/// </summary>
public double Error { get; set; }
/// <summary>
/// 在哪个维度上切分
/// </summary>
public int Dimension { get; set; }
/// <summary>
/// 切分边界
/// </summary>
public double Boundary { get; set; }
/// <summary>
/// 是否按大于来切分
/// </summary>
public bool GreaterThan { get; set; }
/// <summary>
/// 此分类器在训练数据集上的分类结果
/// </summary>
public List<int> Results { get; set; }
}}最后是AdaBoost：
using System;using System.Collections.Generic;using System.Linq;namespace MachineLearning{
/// <summary>
/// AdaBoost(基于单层决策树)
/// </summary>
public class AdaBoost {
/// <summary>
/// 弱分类器列表
/// </summary>
private List<DecisionStump> m_WeakClassifiers;
/// <summary>
/// 训练
/// </summary>
/// <param name="trainingSet">训练数据集</param>
/// <param name="iterateCount">迭代次数，即弱分类器数量</param>
public void Train(List<DataVector<double, int>> trainingSet, int iterateCount = 50)
{
m_WeakClassifiers = new List<DecisionStump>();
var D = new List<double>();
var gue***esults = new List<double>();
for(int i = 0;i < trainingSet.Count;++i)
{
//权重初始化为1/n
D.Add(1.0 / trainingSet.Count);
//猜测结果初始化为0，后面累加要用
gue***esults.Add(0.0);
}
//迭代指定次数
for(int i = 0;i < iterateCount;++i)
{
//在当前权重下生成一棵错误率最低的单层决策树
var stump = CreateDecisionStump(trainingSet, D);
//计算Alpha（注意stump.Error有可能为0，要防止除0错误）
stump.Alpha = 0.5 * Math.Log((1 - stump.Error) / Math.Max(stump.Error, 1e-16));
//保存这个决策树到弱分类器
m_WeakClassifiers.Add(stump);
//根据猜测结果，重新计算下一轮的权重向量D(暂时未除以Sum(D)，下一步再处理)
for(int j = 0;j < trainingSet.Count;++j)
{
if(stump.Results[j] == trainingSet[j].Label)
D[j] = D[j] * Math.Exp(-1.0 * stump.Alpha);
else
D[j] = D[j] * Math.Exp(stump.Alpha);
}
//保证Sum(D)==1
double sum = D.Sum();
for(int j = 0;j < trainingSet.Count;++j)
{
D[j] = D[j] / sum;
gue***esults[j] += stump.Alpha * stump.Results[j];
}
//计算总错误率
int errors = 0;
for(int j = 0;j < trainingSet.Count;++j)
{
if(Math.Sign(gue***esults[j]) != trainingSet[j].Label)
++errors;
}
//如果没有错误，可以提前退出循环，但一般很难达到
if(errors == 0)
break;
}
}
/// <summary>
/// 分类
/// </summary>
/// <param name="vector">待测数据</param>
/// <returns>分类结果，1或-1</returns>
public int Classify(DataVector<double, int> vector)
{
double result = 0.0;
var dataSet = new List<DataVector<double, int>>();
dataSet.Add(vector);
//用每一个弱分类器的结果乘以相应的alpha，累加得到最终的猜测结果
foreach(var c in m_WeakClassifiers)
{
var stumpResults = ClassifyByDecisionStump(dataSet, c.Dimension, c.Boundary, c.GreaterThan);
result += stumpResults[0] * c.Alpha;
}
//根据正负决定输出1还是-1
return Math.Sign(result);
}
/// <summary>
/// 根据单层决策树进行一次分类
/// </summary>
/// <param name="dataSet">数据集</param>
/// <param name="dimension">在哪个维度上分类</param>
/// <param name="boundary">分类边界</param>
/// <param name="greaterThan">是否按大于来划分数据</param>
/// <returns>结果</returns>
private List<int> ClassifyByDecisionStump(List<DataVector<double, int>> dataSet, int dimension, double boundary, bool greaterThan)
{
var result = new List<int>();
foreach(var item in dataSet)
{
if(greaterThan)
result.Add(item.Data[dimension] > boundary ? 1 : -1);
else
result.Add(item.Data[dimension] <= boundary ? 1 : -1);
}
return result;
}
/// <summary>
/// 构建一个单层决策树
/// </summary>
/// <param name="dataSet">数据集</param>
/// <param name="D">权重</param>
/// <returns>此权重下的最佳单层决策树</returns>
private DecisionStump CreateDecisionStump(List<DataVector<double, int>> dataSet, List<double> D)
{
var stump = new DecisionStump();
double minError = double.PositiveInfinity;
//遍历每一个维度
for(int i = 0;i < dataSet[0].Dimension;++i)
{
//找此维度的最大最小值
double maxValue = double.NegativeInfinity;
double minValue = double.PositiveInfinity;
foreach(var item in dataSet)
{
if(item.Data[i] > maxValue)
maxValue = item.Data[i];
if(item.Data[i] < minValue)
minValue = item.Data[i];
}
//做10次切分，计算步长
double stepSize = (maxValue - minValue) / 10.0;
for(int j = 0;j < 10;++j)
{
//边界
double boundary = minValue + stepSize * j;
//分别计算边界两边的情况
for(int k = 0;k < 2;++k)
{
var results = ClassifyByDecisionStump(dataSet, i, boundary, k == 0);
//计算错误，注意是加权的错误
double weightError = 0.0;
for(int idx = 0;idx < results.Count;++idx)
{
if(results[idx] != dataSet[idx].Label)
weightError += D[idx];
}
//保留最小错误的分类器
if(weightError < minError)
{
minError = weightError;
stump.Error = Math.Min(weightError, 1.0); //此分类器的错误比例
stump.Boundary = boundary; //分类边界
stump.Dimension = i; //在哪个维度上分类
stump.GreaterThan = false; //大于还是小于
stump.Results = results; //用此分类器得出的结果
}
}
}
}
return stump;
}
}}最后上测试，还是使用上次的breast-cancer-wisconsin.txt做测试，顺便也和kNN对比一下。上测试代码：
public void TestAdaBoost(){
var trainingSet = new List<DataVector<double, int>>();
var testSet = new List<DataVector<double, int>>();
//读取数据
var file = new StreamReader(@"breast-cancer-wisconsin.txt", Encoding.Default);
for(int i = 0;i < 699;++i)
{
string line = file.ReadLine();
var parts = line.Split(',');
var p = new DataVector<double, int>(9);
for(int j = 0;j < p.Dimension;++j)
{
if(parts[j + 1] == "?")
parts[j + 1] = "0";
p.Data[j] = Convert.ToDouble(parts[j + 1]);
}
p.Label = Convert.ToInt32(parts[10]) == 2 ? 1 : -1;
//和上次一样，600个做训练，99个做测试
if(i < 600)
trainingSet.Add(p);
else
testSet.Add(p);
}
file.Close();
//检验
var boost = new AdaBoost();
boost.Train(trainingSet); //默认50次迭代
int error = 0;
foreach(var p in testSet)
{
var label = boost.Classify(p);
if(label != p.Label)
error++;
}
Console.WriteLine("Error = {0}/{1}, {2}%", error, testSet.Count, (error * 100.0 / testSet.Count));}最终结果是99个测试样本猜错1个，错误率1.01%，相当不错。
在Train方法中计算了错误率，可以把它同时也输出出来，另外改变不同的迭代次数，可以对比一下训练错误率与测试错误率：
| 弱分类器数量（迭代次数） | 训练错误率 | 测试错误率 |
| 5 | 4.8% | 4.0% |
| 10 | 4.7% | 2.0% |
| 50 | 3.0% | 1.0% |
| 100 | 2.5% | 2.0% |
| 200 | 2.0% | 2.0% |
| 500 | 0.8% | 2.0% |
| 1000 | 0.0% | 2.0% |
可以看到，随着弱分类器越来越多，AdaBoost的训练错误率不断下降，最终收敛到0，但测试错误率在下降到最低点后又有所上升。
本文转自BoyTNT博客51CTO博客，如需转载，请自行联系原作者。
【版权声明】本文为华为云社区用户转载文章，如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）