集成学习（二）：AdaBoost算法解释

青旅半醒 2022-05-29 02:18 163阅读 0赞

# 1. 前言 #

在之前的博客中讲解了AdaBoost算法的原理，为了能够更加直观理解AdaBoost算法，常用的解释模型便是使用加法模型。

# 2. 加法模型解释 #

首先定义AdaBoost的加法模型为：

f(x)=∑m=1MαmGm(x)  f ( x ) = ∑ m = 1 M α m G m ( x )

其中  αm  α m  是基函数的系数，  Gm(x)  G m ( x )  为基函数。则就可以使用指数函数定义损失函数

L(y,f(x))=exp(−yf(x))  L ( y , f ( x ) ) = e x p ( − y f ( x ) )

假设经过  m−1  m − 1  次迭代之后得到的模型为:

fm−1(x)=fm−2(x)\+αm−1Gm−1(x)=α1G1(x)\+…\+αm−1Gm−1(x)  f m − 1 ( x ) = f m − 2 ( x ) + α m − 1 G m − 1 ( x ) = α 1 G 1 ( x ) + … + α m − 1 G m − 1 ( x )

得到第  m  m  次的迭代得到  αm,Gm(x)和fm(x) α m,G m( x )和fm( x )

fm(x)=fm−1(x)\+αmGm(x)  f m ( x ) = f m − 1 ( x ) + α m G m ( x )

目标是使前向分布算法得到的  αm,Gm(x)和fm(x)  α m , G m ( x ) 和 f m ( x )  在训练数据集T上的指数损失函数最小化，即是

(αm,Gm(x))=argmina,m∑i=1Nexp\[−yi(fm−1(xi)\+αG(xi))\]=argmina,m∑i=1Nwmiexp(αG(xi))\]  ( α m , G m ( x ) ) = a r g min a , m ∑ i = 1 N e x p \[ − y i ( f m − 1 ( x i ) + α G ( x i ) ) \] = a r g min a , m ∑ i = 1 N w m i e x p ( α G ( x i ) ) \]

其中

wmi=exp(−yifm−1(xi))  w m i = e x p ( − y i f m − 1 ( x i ) )

上式中最小化之后的  α∗m,G∗m(x)  α m ∗ , G m ∗ ( x )  就是AdaBoost算法得到的  αm,Gm(x)  α m , G m ( x )  。则对其进行求解就分为了两步，先求解  G∗m(x)  G m ∗ ( x )  ：

G∗m(x)argminG∑i=1NwmiI(yi≠G(xi))  G m ∗ ( x ) a r g min G ∑ i = 1 N w m i I ( y i ≠ G ( x i ) )

之后求解  α∗m  α m ∗  ：

∑i=1Nwmiexp(αG(xi))\]=∑yi=Gm(xi)wmie−α\+∑yi≠Gm(xi)wmieα=(eα−e−α)∑i=1NwmiI(yi≠G(xi))  ∑ i = 1 N w m i e x p ( α G ( x i ) ) \] = ∑ y i = G m ( x i ) w m i e − α + ∑ y i ≠ G m ( x i ) w m i e α = ( e α − e − α ) ∑ i = 1 N w m i I ( y i ≠ G ( x i ) )

将已经求得的  G∗m(x)  G m ∗ ( x )  带入上式，对  α  α  求导并使倒数为0，即可得到让目标函数最小的  α  α

α∗m=12log1\+emem  α m ∗ = 1 2 l o g 1 + e m e m

其中  em  e m  是分类误差率：

em=∑Ni=1wmiI(yi≠G(xi))∑Ni=1wmi  e m = ∑ i = 1 N w m i I ( y i ≠ G ( x i ) ) ∑ i = 1 N w m i

这里基函数权值系数的更新是与AdaBoost算法一致的，对于样本权值系数的更新是这样的

wm\+1,i=wm,iexp(−yiαmGm(x))  w m + 1 , i = w m , i e x p ( − y i α m G m ( x ) )

# 3. 参考 #

1.  统计学习方法——李航