boosting算法

 

一、boosting算法

boosting是一种集成学习算法，由一系列基本分类器按照不同的权重组合成为一个强分类器，这些基本分类器之间有依赖关系。包括Adaboost算法、提升树、GBDT算法

一、Adaboost算法

AdaBoost方法的自适应在于：前一个分类器分错的样本会被用来训练下一个分类器。AdaBoost方法是一种迭代算法，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它被某个分类器选入训练集的概率。如果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，它被选中的概率就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。通过这样的方式，AdaBoost方法能“聚焦于”那些较难分（更富信息）的样本上。虽然AdaBoost方法对于噪声数据和异常数据很敏感。但相对于大多数其它学习算法而言，却又不会很容易出现过拟合现象

算法原理

（1）初始化训练数据（每个样本）的权值分布：如果有N个样本，则每一个训练的样本点最开始时都被赋予相同的权重：1/N。 
（2）训练弱分类器。具体训练过程中，如果某个样本已经被准确地分类，那么在构造下一个训练集中，它的权重就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。同时，得到弱分类器对应的话语权。然后，更新权值后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。 
（3）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，分类误差率小的弱分类器的话语权较大，其在最终的分类函数中起着较大的决定作用，而分类误差率大的弱分类器的话语权较小，其在最终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最终分类器中占的比例较大，反之较小

AdaBoost的具体步骤如下：

3.迭代完成后，组合弱分类器

 其中

 然后，加个sign函数，该函数用于求数值的正负。数值大于0，为1。小于0，为-1.等于0，为0.得到最终的强分类器

 

那么这个更新后的权重怎么得来的

首先错误率e=0.1*3=0.3

系数aj=0.5log(0.7/0.3)=0.42364893019360184

分别计算分类错误和分类正确的权重，由上面可知分类正确与否的权重其实只与e上面的指数的正负有关，分错的是e**aj，分对的是e**-aj，他们分别等于1.5275252316519468，0.6546536707079771

最后再归一化，比如1.5275252316519468/(1.5275252316519468*3+0.6546536707079771*7)=0.16666666666666666

Adaboost是一种比较有特点的算法，可以总结如下：
　　1）每次迭代改变的是样本的分布，而不是重复采样（reweight)；
　　2）样本分布的改变取决于样本是否被正确分类，总是分类正确的样本权值低，总是分类错误的样本权值高（通常是边界附近的样本）；
　　3）最终的结果是弱分类器的加权组合，权值表示该弱分类器的性能

Adaboost有很多优点:
　　1)adaboost是一种有很高精度的分类器
　　2)可以使用各种方法构建子分类器，adaboost算法提供的是框架
　　3)当使用简单分类器时，计算出的结果是可以理解的。而且弱分类器构造极其简单
　　4)简单，不用做特征筛选
　　5)不用担心overfitting！

实际应用

（1）用于二分类或多分类 
（2）特征选择 
（3）分类人物的baseline

1.Adaboost用于分类

函数解析

class sklearn.ensemble.AdaBoostClassifier(base_estimator=None, n_estimators=50,learning_rate=1.0, algorithm=’SAMME.R’,random_state=None)

参数解析：

1.1 base_estimator： 可选参数，默认为DecisionTreeClassifier。理论上可以选择任何一个分类或者回归学习器，不过需要支持样本权重。我们常用的一般是CART决策树或者神经网络MLP。默认是决策树，即AdaBoostClassifier默认使用CART分类树DecisionTreeClassifier，另外有一个要注意的点是，如果我们选择的AdaBoostClassifier算法是SAMME.R，则我们的弱分类学习器还需要支持概率预测，也就是在scikit-learn中弱分类学习器对应的预测方法除了predict还需要有predict_proba
1.2 n_estimators： 整数型，可选参数，默认为50。弱学习器的最大迭代次数，或者说最大的弱学习器的个数。一般来说n_estimators太小，容易欠拟合，n_estimators太大，又容易过拟合，一般选择一个适中的数值。默认是50。在实际调参的过程中，我们常常将n_estimators和下面介绍的参数learning_rate一起考虑
1.3 learning_rate： 学习率，表示梯度收敛速度，默认为1，如果过大，容易错过最优值，如果过小，则收敛速度会很慢；该值需要和n_estimators进行一个权衡，当分类器迭代次数较少时，学习率可以小一些，当迭代次数较多时，学习率可以适当放大。每个弱学习器的权重缩减系数
1.4 algorithm： 可选参数，默认为SAMME.R。boosting算法，也就是模型提升准则，scikit-learn实现了两种Adaboost分类算法，SAMME和SAMME.R。两者的主要区别是弱学习器权重的度量，SAMME使用对样本集分类效果作为弱学习器权重，而SAMME.R使用了对样本集分类的预测概率大小来作为弱学习器权重。由于SAMME.R使用了概率度量的连续值，迭代一般比SAMME快，因此AdaBoostClassifier的默认算法algorithm的值也是SAMME.R。我们一般使用默认的SAMME.R就够了，但是要注意的是使用了SAMME.R， 则弱分类学习器参数base_estimator必须限制使用支持概率预测的分类器。SAMME算法则没有这个限制
1.5 random_state： 整数型，可选参数，默认为None。如果RandomState的实例，random_state是随机数生成器; 如果None，则随机数生成器是由np.random使用的RandomState实例

Adaboost-对象

• estimators_:以列表的形式返回所有的分类器。
• classes_:类别标签。
• estimator_weights_:每个分类器权重。
• estimator_errors_:每个分类器的错分率，与分类器权重相对应。
• feature_importances_:特征重要性，这个参数使用前提是基分类器也支持这个属性。

Adaboost-方法

• decision_function(X):返回决策函数值（比如svm中的决策距离）。
• fit(X,Y):在数据集（X,Y）上训练模型。
• get_parms():获取模型参数。
• predict(X):预测数据集X的结果。
• predict_log_proba(X):预测数据集X的对数概率。
• predict_proba(X):预测数据集X的概率值。
• score(X,Y):输出数据集（X,Y）在模型上的准确率。
• staged_decision_function(X):返回每个基分类器的决策函数值。
• staged_predict(X):返回每个基分类器的预测数据集X的结果。
• staged_predict_proba(X):返回每个基分类器的预测数据集X的概率结果。
• staged_score(X, Y):返回每个基分类器的预测准确率

# -*- coding: utf-8 -*-
"""
Created on Tue Aug 11 10:12:48 2020

"""
from  sklearn.ensemble import  AdaBoostClassifier ,AdaBoostRegressor
from sklearn.datasets import load_iris
x_data=load_iris().data
y_data=load_iris().target

from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(x_data,y_data,test_size=0.3,random_state=1,stratify=y_data)

#单个决策树模型
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
tree = DecisionTreeClassifier(criterion='gini',max_depth=4,random_state=1)
tree.fit(X_train,y_train)

y_train_pred = tree.predict(X_train)
y_test_pred = tree.predict(X_test)
tree_train = accuracy_score(y_train,y_train_pred)
tree_test = accuracy_score(y_test,y_test_pred)

print('Decision tree train/test accuracies %.3f/%.3f' % (tree_train,tree_test))
#Decision tree train/test accuracies 0.971/0.978

## 我们使用Adaboost集成建模：
ada = AdaBoostClassifier(base_estimator=tree,n_estimators=200,learning_rate=0.2,random_state=1)
ada = ada.fit(X_train,y_train)
y_train_pred = ada.predict(X_train)
y_test_pred = ada.predict(X_test)
ada_train = accuracy_score(y_train,y_train_pred)
ada_test = accuracy_score(y_test,y_test_pred)
print('Adaboost train/test accuracies %.3f/%.3f' % (ada_train,ada_test))
#Adaboost train/test accuracies 1.000/0.978

2.Adaboost用于回归

参数基本一样，唯一的区别是用于回归时有loss参数，参数说明如下：

# -*- coding: utf-8 -*-
"""
Created on Tue Aug 11 10:12:48 2020

"""
from  sklearn.ensemble import  AdaBoostClassifier ,AdaBoostRegressor
from sklearn.datasets import load_boston
x_data=load_boston().data
y_data=load_boston().target


from sklearn.model_selection import train_test_split
X_train,X_test,y_train,y_test = train_test_split(x_data,y_data,test_size=0.3,random_state=1)

#数据标准化
# 从 sklearn.preprocessing 导入数据标准化模块。
from sklearn.preprocessing import StandardScaler
# 分别初始化对特征和目标值的标准化器。
ss_X = StandardScaler()
ss_y = StandardScaler()
# 分别对训练和测试数据的特征以及目标值进行标准化处理。
X_train = ss_X.fit_transform(X_train)
X_test = ss_X.transform(X_test)
y_train = ss_y.fit_transform(y_train.reshape(-1,1))
y_test = ss_y.transform(y_test.reshape(-1,1))   

import numpy as np
import matplotlib.pyplot as plt

def plot_feature_importances(feature_importances, title, feature_names):
    # Normalize the importance values 
    feature_importances = 100.0 * (feature_importances / max(feature_importances))
 
    # Sort the values and flip them
    index_sorted = np.flipud(np.argsort(feature_importances))
 
    # Arrange the X ticks
    pos = np.arange(index_sorted.shape[0]) + 0.5
 
    # Plot the bar graph
    plt.figure()
    plt.bar(pos, feature_importances[index_sorted], align='center')
    plt.xticks(pos, feature_names[index_sorted])
    plt.ylabel('Relative Importance')
    plt.title(title)
    plt.show()

#单个决策树模型
from sklearn.tree import DecisionTreeRegressor
from sklearn.metrics import r2_score,  mean_squared_error
tree = DecisionTreeRegressor(max_depth=6,random_state=1)
tree.fit(X_train,y_train)

y_train_pred = tree.predict(X_train)
y_test_pred = tree.predict(X_test)
tree.score(X_test, y_test)  #0.8427465276357865
r2_score(y_train,y_train_pred)  #0.9485651664023145
r2_score(y_test,y_test_pred)  #0.8427465276357866
mean_squared_error(y_train,y_train_pred)  #0.05143483359768557
mean_squared_error(y_test,y_test_pred)  #0.17752374245868488
tree.feature_importances_
plot_feature_importances(tree.feature_importances_, 
            'Decision Tree regressor', load_boston().feature_names)


## 我们使用Adaboost集成建模：
ada = AdaBoostRegressor(base_estimator=tree,n_estimators=200,learning_rate=0.2,random_state=1)
ada = ada.fit(X_train,y_train)
y_train_pred = ada.predict(X_train)
y_test_pred = ada.predict(X_test)

ada.score(X_test, y_test)  # 0.8781684126580823
r2_score(y_train,y_train_pred)  #0.9829984375151436
r2_score(y_test,y_test_pred)  #0.8781684126580824
mean_squared_error(y_train,y_train_pred)  #0.017001562484856434
mean_squared_error(y_test,y_test_pred)  #0.13753590944260316
tree.feature_importances_
plot_feature_importances(ada.feature_importances_, 
            'Decision Tree regressor', load_boston().feature_names)