【机器学习】Adboost 算法整理

ゝ一纸荒年。 2022-06-15 11:12 222阅读 0赞

Adaboost是adaptive boosting（自适应boosting）的缩写，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。它有一个明显的特点就是排除一些不必要的特征值，把模型训练放在关键特征值数据上。它的算法过程如下：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlY29uZExpZXV0ZW5hbnQ_size_16_color_FFFFFF_t_70][]  
Adaboost从以上概念可以看出它有两种分类器，一种是y1称之为弱分类器，另外一种是Ym称之为强分类器以及一个参数叫alpha,这个值是基于每个弱分类器的错误率进行计算的，其中错误率计算公式如下：

![20190515202058446.png][]

Alpha的计算公式如下：

![20190515202107537.png][]

计算出alpha之后就需要对权重向量D进行更新，D的计算方法如下：

正确被分类的权重计算：

![20190515202123956.png][]

样本被错分之后的权重计算：

![20190515202130568.png][]

本系统的adaboost是基于单层决策树(decision dump)来构建弱分类器的，单层决策树的算法流程如下：

1、  假设数据特征值分为n列m行，错误率初始化为均值，例如100行数据，初始错误向量值为1/100；

2、  对每一列数据（即维度数据）选择出最大值和最小值；

3、  基于最大和最小值设置每一步的区间,假设100步长，那么步区间为：（max-min）/100

4、  遍历每一步区间，做二分类（1和-1），并记录下本次数据和步长的对比关系（大于或者小于）

5、  依据第4步算出的特征值（1或者-1）计算错误率；

6、  提取最小的错误率、维度、关系运算符以及特征值

AdBoost原理

原始的AdaBoost算法是在算法开始的时候，为每一个样本赋上一个权重值，初始的时候，大家都是一样重要的。在每一步训练中得到的模型，会使得数据点的估计有对有错，我们就在每一步结束后，增加分错的点的权重，减少分对的点的权重，这样使得某些点如果老是被分错，那么就会被“重点关注”，也就被赋上一个很高的权重。然后等进行了N次迭代（由用户指定），将会得到N个简单的分类器（basic learner），然后我们将它们组合起来（比如说可以对它们进行加权、或者让它们进行投票等），得到一个最终的模型。

关键字：样本的权重分布

GBDT概述

GBDT（Gradient Boosting Decison Tree）中的树都是回归树，GBDT用来做回归预测，调整后也可以用于分类（设定阈值，大于阈值为正例，反之为负例），可以发现多种有区分性的特征以及特征组合。GBDT是把所有树的结论累加起来做最终结论的，GBDT的核心就在于，每一棵树学的是之前所有树结论和的残差(负梯度)，这个残差就是一个加预测值后能得真实值的累加量。比如A的真实年龄是18岁，但第一棵树的预测年龄是12岁，差了6岁，即残差为6岁。那么在第二棵树里我们把A的年龄设为6岁去学习，如果第二棵树真的能把A分到6岁的叶子节点，那累加两棵树的结论就是A的真实年龄；如果第二棵树的结论是5岁，则A仍然存在1岁的残差，第三棵树里A的年龄就变成1岁，继续学。 Boosting的最大好处在于，每一步的残差计算其实变相地增大了分错instance的权重，而已经分对的instance则都趋向于0。这样后面的树就能越来越专注那些前面被分错的instance。

Gradient Boost与AdaBoost的区别

*  Gradient Boost每一次的计算是为了减少上一次的残差(residual)，而为了消除残差，我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说，在Gradient Boost中，每个新的模型的建立是为了使得之前模型的残差往梯度方向减少。Shrinkage（缩减）的思想认为，每次走一小步逐渐逼近结果的效果，要比每次迈一大步很快逼近结果的方式更容易避免过拟合。即它不完全信任每一个棵残差树，它认为每棵树只学到了真理的一小部分，累加的时候只累加一小部分，通过多学几棵树弥补不足。本质上，Shrinkage为每棵树设置了一个weight，累加时要乘以这个weight，但和Gradient并没有关系。
 *  Adaboost是另一种boost方法，它按分类对错，分配不同的weight，计算cost function时使用这些weight，从而让“错分的样本权重越来越大，使它们更被重视”
    
    Gradient Boost优缺点
 *  优点： 它的非线性变换比较多，表达能力强，而且不需要做复杂的特征工程和特征变换。
 *  缺点:Boost是一个串行过程，不好并行化，而且计算复杂度高，同时不太适合高维稀疏特征。

\---------------------------------------------------------------------------------------------------------------------------------------------

**AdaBoosting 的基本思想**

通俗地讲就是综合某些“专家”的判断，往往要比一个“专家”单独的判断要好（三个臭皮匠顶过诸葛亮-周志华《机器学习第八章》）。在”强可学习”和”弱可学习”的概念上来说就是我们通过对多个弱可学习的算法进行”组合提升或者说是强化”得到一个性能赶超强可学习算法的算法。

**Boosting的思路**

**1.**找到一个弱分类器，分类器简单，快捷，易操作(如果它本身就很复杂，而且效果还不错，那么进行提升无疑是锦上添花，增加复杂度，甚至上性能并没有得到提升，具体情况具体而论)。

**2.**迭代寻找N个最优的分类器(最优的分类器，就是说这N个分类器分别是每一轮迭代中分类误差最小的分类器，并且这N个分类器组合之后是分类效果最优的。)。

在迭代求解最优的过程中我们需要不断地修改数据的权重(AdaBoost中是每一轮迭代得到一个分类结果与正确分类作比较，修改那些错误分类数据的权重，减小正确分类数据的权重 ),后一个分类器根据前一个分类器的结果修改权重在进行分类，因此可以看出，迭代的过程中分类器的效果越来越好，所以需要给每个分类器赋予不同的权重。最终我们得到了N个分类器和每个分类器的权重，那么最终的分类器也得到了。

**归纳算法流程**

**输入**：训练数据集M\*N(M为样本数量，N为特征数量)弱，其中xi表示数据i\[数据i为N维\],yi表示数据的分类为yi,Y=\{-1,1\}表示xi在某种规则约束下的分类。

**输出：**最终的分类器G(x)

**1. **初始化训练集的权值均匀分布(每个样本数据权重均等)，

D1 = (W11,W12,W13,...,W1M), W1i=1/M, ,M表示数据的个数，i=1,2,3…M。

**2.** j=1,2,3,…,J(表示迭代的次数/或者最终分类器的个数,取决于是否能够使分类误差为0)。

（a）使用具有权值分布Dj的训练数据集学习，得到基本的分类器:Gj(x)；

（b） 计算Gj(x)在训练集上的分类误差率

![640?wx\_fmt=png&wxfrom=5&wx\_lazy=1][640_wx_fmt_png_wxfrom_5_wx_lazy_1]

求的是分错类别的数据的权重值和,表示第i个数据的权重Dj\[i\]；

（c）计算Gj(x)第j个分类器的系数,,ej表示的是分类错误率。

![640?wx\_fmt=png][640_wx_fmt_png]

（d）更新训练数据集的权重Dj+1,数据集的权重根据上一次权重进行更新， i=1,2,…M

![640?wx\_fmt=png][640_wx_fmt_png 1]

Z是规范化因子，他表示所有数据权重之和，它使Dj+1成为一个概率分布。

**3. **构建基本分类器的线性组合

![640?wx\_fmt=png][640_wx_fmt_png 2]

得到最终的分类器：

![640?wx\_fmt=png][640_wx_fmt_png 3]

**Boosting与Bagging对比：**

AdaBoost泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整，但是对离群点敏感。

Bagging基于数据随机重抽样的分类器构建方法，原始数据集中重新选择S次得到S个新数据集，将磨沟算法分别作用于这个数据集,最后进行投票，选择投票最多的类别作为分类类别。

Boosting关注那些已有分类器错分的数据来获得新的分类器，Bagging则是根据已训练的分类器的性能来训练的。Boosting分类器权重不相等，权重对应与上一轮迭代成功度Bagging分类器权重相等。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1NlY29uZExpZXV0ZW5hbnQ_size_16_color_FFFFFF_t_70]: /images/20220615/a12fb6e725704b6f8fe740459b65cfbe.png
[20190515202058446.png]: /images/20220615/8f4705c055fc4580bb1c377a2958040f.png
[20190515202107537.png]: /images/20220615/2a00bc56093e4afdbaf828de8c9ee0df.png
[20190515202123956.png]: /images/20220615/9d28a45d0d824ebda15515b2ffefba02.png
[20190515202130568.png]: /images/20220615/0a37fc4f57cf4aa38dc044567ea4a44e.png
[640_wx_fmt_png_wxfrom_5_wx_lazy_1]: https://img-blog.csdnimg.cn/img_convert/87b7fac0a87568d9d35e9ce52e0db366.png;wxfrom=5&wx_lazy=1
[640_wx_fmt_png]: /images/20220615/72b953fd81d24c13b6c6276ab340f40c.png
[640_wx_fmt_png 1]: /images/20220615/7a9a678910ec425f87cbe267ceece49d.png
[640_wx_fmt_png 2]: /images/20220615/a3451b37db3a440db54026f5811d51fe.png
[640_wx_fmt_png 3]: /images/20220615/12803e11c9f647f9ac6b9cf9a8a5d218.png