第7章 集成方法 ensemble method

集成方法首頁

集成方法: ensemble method（元算法: meta algorithm） 概述

• 概念：是對其他算法進行組合的一種形式。

• 通俗來說： 當做重要決定時，大家可能都會考慮吸取多個專家而不只是一個人的意見。
  機器學習處理問題時又何嘗不是如此？ 這就是集成方法背后的思想。

• 集成方法：

  1. 投票選舉(bagging: 自舉匯聚法 bootstrap aggregating): 是基于數(shù)據(jù)隨機重抽樣分類器構(gòu)造的方法
  2. 再學習(boosting): 是基于所有分類器的加權(quán)求和的方法

集成方法 場景

目前 bagging 方法最流行的版本是: 隨機森林(random forest)

選男友：美女選擇擇偶對象的時候，會問幾個閨蜜的建議，最后選擇一個綜合得分最高的一個作為男朋友

目前 boosting 方法最流行的版本是: AdaBoost

追女友：3個帥哥追同一個美女，第1個帥哥失敗->(傳授經(jīng)驗：姓名、家庭情況) 第2個帥哥失敗->(傳授經(jīng)驗：興趣愛好、性格特點) 第3個帥哥成功

bagging 和 boosting 區(qū)別是什么？

1. bagging 是一種與 boosting 很類似的技術, 所使用的多個分類器的類型（數(shù)據(jù)量和特征量）都是一致的。
2. bagging 是由不同的分類器（1.數(shù)據(jù)隨機化 2.特征隨機化）經(jīng)過訓練，綜合得出的出現(xiàn)最多分類結(jié)果；boosting 是通過調(diào)整已有分類器錯分的那些數(shù)據(jù)來獲得新的分類器，得出目前最優(yōu)的結(jié)果。
3. bagging 中的分類器權(quán)重是相等的；而 boosting 中的分類器加權(quán)求和，所以權(quán)重并不相等，每個權(quán)重代表的是其對應分類器在上一輪迭代中的成功度。

隨機森林

隨機森林 概述

• 隨機森林指的是利用多棵樹對樣本進行訓練并預測的一種分類器。
• 決策樹相當于一個大師，通過自己在數(shù)據(jù)集中學到的知識用于新數(shù)據(jù)的分類。但是俗話說得好，一個諸葛亮，玩不過三個臭皮匠。隨機森林就是希望構(gòu)建多個臭皮匠，希望最終的分類效果能夠超過單個大師的一種算法。

隨機森林 原理

那隨機森林具體如何構(gòu)建呢？

有兩個方面：

1. 數(shù)據(jù)的隨機性化
   
2. 待選特征的隨機化
   

使得隨機森林中的決策樹都能夠彼此不同，提升系統(tǒng)的多樣性，從而提升分類性能。

數(shù)據(jù)的隨機化：使得隨機森林中的決策樹更普遍化一點，適合更多的場景。

（有放回的準確率在：70% 以上， 無放回的準確率在：60% 以上）

1. 采取有放回的抽樣方式 構(gòu)造子數(shù)據(jù)集，保證不同子集之間的數(shù)量級一樣（不同子集／同一子集 之間的元素可以重復）
2. 利用子數(shù)據(jù)集來構(gòu)建子決策樹，將這個數(shù)據(jù)放到每個子決策樹中，每個子決策樹輸出一個結(jié)果。
3. 然后統(tǒng)計子決策樹的投票結(jié)果，得到最終的分類 就是 隨機森林的輸出結(jié)果。
4. 如下圖，假設隨機森林中有3棵子決策樹，2棵子樹的分類結(jié)果是A類，1棵子樹的分類結(jié)果是B類，那么隨機森林的分類結(jié)果就是A類。

數(shù)據(jù)重抽樣.jpg

待選特征的隨機化

1. 子樹從所有的待選特征中隨機選取一定的特征。
2. 在選取的特征中選取最優(yōu)的特征。

下圖中，藍色的方塊代表所有可以被選擇的特征，也就是目前的待選特征；黃色的方塊是分裂特征。

左邊是一棵決策樹的特征選取過程，通過在待選特征中選取最優(yōu)的分裂特征（別忘了前文提到的ID3算法，C4.5算法，CART算法等等），完成分裂。

右邊是一個隨機森林中的子樹的特征選取過程。

特征重抽樣.jpg

隨機森林 開發(fā)流程

收集數(shù)據(jù)：任何方法
準備數(shù)據(jù)：轉(zhuǎn)換樣本集
分析數(shù)據(jù)：任何方法
訓練算法：通過數(shù)據(jù)隨機化和特征隨機化，進行多實例的分類評估
測試算法：計算錯誤率
使用算法：輸入樣本數(shù)據(jù)，然后運行 隨機森林 算法判斷輸入數(shù)據(jù)分類屬于哪個分類，最后對計算出的分類執(zhí)行后續(xù)處理

隨機森林 算法特點

優(yōu)點：幾乎不需要輸入準備、可實現(xiàn)隱式特征選擇、訓練速度非?？臁⑵渌Ｐ秃茈y超越、很難建立一個糟糕的隨機森林模型、大量優(yōu)秀、免費以及開源的實現(xiàn)。
缺點：劣勢在于模型大小、是個很難去解釋的黑盒子。
適用數(shù)據(jù)范圍：數(shù)值型和標稱型

項目案例: 聲納信號分類

項目概述

這是 Gorman 和 Sejnowski 在研究使用神經(jīng)網(wǎng)絡的聲納信號分類中使用的數(shù)據(jù)集。任務是訓練一個模型來區(qū)分聲納信號。

開發(fā)流程

收集數(shù)據(jù)：提供的文本文件
準備數(shù)據(jù)：轉(zhuǎn)換樣本集
分析數(shù)據(jù)：手工檢查數(shù)據(jù)
訓練算法：在數(shù)據(jù)上，利用 random_forest() 函數(shù)進行優(yōu)化評估，返回模型的綜合分類結(jié)果
測試算法：在采用自定義 n_folds 份隨機重抽樣 進行測試評估，得出綜合的預測評分
使用算法：若你感興趣可以構(gòu)建完整的應用程序，從案例進行封裝，也可以參考我們的代碼

收集數(shù)據(jù)：提供的文本文件

樣本數(shù)據(jù)：sonar-all-data.txt

0.02,0.0371,0.0428,0.0207,0.0954,0.0986,0.1539,0.1601,0.3109,0.2111,0.1609,0.1582,0.2238,0.0645,0.066,0.2273,0.31,0.2999,0.5078,0.4797,0.5783,0.5071,0.4328,0.555,0.6711,0.6415,0.7104,0.808,0.6791,0.3857,0.1307,0.2604,0.5121,0.7547,0.8537,0.8507,0.6692,0.6097,0.4943,0.2744,0.051,0.2834,0.2825,0.4256,0.2641,0.1386,0.1051,0.1343,0.0383,0.0324,0.0232,0.0027,0.0065,0.0159,0.0072,0.0167,0.018,0.0084,0.009,0.0032,R
0.0453,0.0523,0.0843,0.0689,0.1183,0.2583,0.2156,0.3481,0.3337,0.2872,0.4918,0.6552,0.6919,0.7797,0.7464,0.9444,1,0.8874,0.8024,0.7818,0.5212,0.4052,0.3957,0.3914,0.325,0.32,0.3271,0.2767,0.4423,0.2028,0.3788,0.2947,0.1984,0.2341,0.1306,0.4182,0.3835,0.1057,0.184,0.197,0.1674,0.0583,0.1401,0.1628,0.0621,0.0203,0.053,0.0742,0.0409,0.0061,0.0125,0.0084,0.0089,0.0048,0.0094,0.0191,0.014,0.0049,0.0052,0.0044,R
0.0262,0.0582,0.1099,0.1083,0.0974,0.228,0.2431,0.3771,0.5598,0.6194,0.6333,0.706,0.5544,0.532,0.6479,0.6931,0.6759,0.7551,0.8929,0.8619,0.7974,0.6737,0.4293,0.3648,0.5331,0.2413,0.507,0.8533,0.6036,0.8514,0.8512,0.5045,0.1862,0.2709,0.4232,0.3043,0.6116,0.6756,0.5375,0.4719,0.4647,0.2587,0.2129,0.2222,0.2111,0.0176,0.1348,0.0744,0.013,0.0106,0.0033,0.0232,0.0166,0.0095,0.018,0.0244,0.0316,0.0164,0.0095,0.0078,R

準備數(shù)據(jù)：轉(zhuǎn)換樣本集

# 導入csv文件
def loadDataSet(filename):
    dataset = []
    with open(filename, 'r') as fr:
        for line in fr.readlines():
            if not line:
                continue
            lineArr = []
            for featrue in line.split(','):
                # strip()返回移除字符串頭尾指定的字符生成的新字符串
                str_f = featrue.strip()
                if str_f.isdigit(): # 判斷是否是數(shù)字
                    # 將數(shù)據(jù)集的第column列轉(zhuǎn)換成float形式
                    lineArr.append(float(str_f))
                else:
                    # 添加分類標簽
                    lineArr.append(str_f)
            dataset.append(lineArr)
    return dataset

分析數(shù)據(jù)：手工檢查數(shù)據(jù)

訓練算法：在數(shù)據(jù)上，利用 random_forest() 函數(shù)進行優(yōu)化評估，返回模型的綜合分類結(jié)果

• 樣本數(shù)據(jù)隨機無放回抽樣-用于交叉驗證

def cross_validation_split(dataset, n_folds):
    """cross_validation_split(將數(shù)據(jù)集進行抽重抽樣 n_folds 份，數(shù)據(jù)可以重復重復抽取)

    Args:
        dataset     原始數(shù)據(jù)集
        n_folds     數(shù)據(jù)集dataset分成n_flods份
    Returns:
        dataset_split    list集合，存放的是：將數(shù)據(jù)集進行抽重抽樣 n_folds 份，數(shù)據(jù)可以重復重復抽取
    """
    dataset_split = list()
    dataset_copy = list(dataset)       # 復制一份 dataset,防止 dataset 的內(nèi)容改變
    fold_size = len(dataset) / n_folds
    for i in range(n_folds):
        fold = list()                  # 每次循環(huán) fold 清零，防止重復導入 dataset_split
        while len(fold) < fold_size:   # 這里不能用 if，if 只是在第一次判斷時起作用，while 執(zhí)行循環(huán)，直到條件不成立
            # 有放回的隨機采樣，有一些樣本被重復采樣，從而在訓練集中多次出現(xiàn)，有的則從未在訓練集中出現(xiàn)，此則自助采樣法。從而保證每棵決策樹訓練集的差異性            
            index = randrange(len(dataset_copy))
            # 將對應索引 index 的內(nèi)容從 dataset_copy 中導出，并將該內(nèi)容從 dataset_copy 中刪除。
            # pop() 函數(shù)用于移除列表中的一個元素（默認最后一個元素），并且返回該元素的值。
            fold.append(dataset_copy.pop(index))  # 無放回的方式
            # fold.append(dataset_copy[index])  # 有放回的方式
        dataset_split.append(fold)
    # 由dataset分割出的n_folds個數(shù)據(jù)構(gòu)成的列表，為了用于交叉驗證
    return dataset_split

• 訓練數(shù)據(jù)集隨機化

# Create a random subsample from the dataset with replacement
def subsample(dataset, ratio):   # 創(chuàng)建數(shù)據(jù)集的隨機子樣本
    """random_forest(評估算法性能，返回模型得分)

    Args:
        dataset         訓練數(shù)據(jù)集
        ratio           訓練數(shù)據(jù)集的樣本比例
    Returns:
        sample          隨機抽樣的訓練樣本
    """

    sample = list()
    # 訓練樣本的按比例抽樣。
    # round() 方法返回浮點數(shù)x的四舍五入值。
    n_sample = round(len(dataset) * ratio)
    while len(sample) < n_sample:
        # 有放回的隨機采樣，有一些樣本被重復采樣，從而在訓練集中多次出現(xiàn)，有的則從未在訓練集中出現(xiàn)，此則自助采樣法。從而保證每棵決策樹訓練集的差異性
        index = randrange(len(dataset))
        sample.append(dataset[index])
    return sample

• 特征隨機化

# 找出分割數(shù)據(jù)集的最優(yōu)特征，得到最優(yōu)的特征 index，特征值 row[index]，以及分割完的數(shù)據(jù) groups（left, right）
def get_split(dataset, n_features):
    class_values = list(set(row[-1] for row in dataset))  # class_values =[0, 1]
    b_index, b_value, b_score, b_groups = 999, 999, 999, None
    features = list()
    while len(features) < n_features:
        index = randrange(len(dataset[0])-1)  # 往 features 添加 n_features 個特征（ n_feature 等于特征數(shù)的根號），特征索引從 dataset 中隨機取
        if index not in features:
            features.append(index)
    for index in features:                    # 在 n_features 個特征中選出最優(yōu)的特征索引，并沒有遍歷所有特征，從而保證了每課決策樹的差異性
        for row in dataset:
            groups = test_split(index, row[index], dataset)  # groups=(left, right), row[index] 遍歷每一行 index 索引下的特征值作為分類值 value, 找出最優(yōu)的分類特征和特征值
            gini = gini_index(groups, class_values)
            # 左右兩邊的數(shù)量越一樣，說明數(shù)據(jù)區(qū)分度不高，gini系數(shù)越大
            if gini < b_score:
                b_index, b_value, b_score, b_groups = index, row[index], gini, groups  # 最后得到最優(yōu)的分類特征 b_index,分類特征值 b_value,分類結(jié)果 b_groups。b_value 為分錯的代價成本
    # print b_score
    return {'index': b_index, 'value': b_value, 'groups': b_groups}

• 隨機森林

# Random Forest Algorithm
def random_forest(train, test, max_depth, min_size, sample_size, n_trees, n_features):
    """random_forest(評估算法性能，返回模型得分)

    Args:
        train           訓練數(shù)據(jù)集
        test            測試數(shù)據(jù)集
        max_depth       決策樹深度不能太深，不然容易導致過擬合
        min_size        葉子節(jié)點的大小
        sample_size     訓練數(shù)據(jù)集的樣本比例
        n_trees         決策樹的個數(shù)
        n_features      選取的特征的個數(shù)
    Returns:
        predictions     每一行的預測結(jié)果，bagging 預測最后的分類結(jié)果
    """

    trees = list()
    # n_trees 表示決策樹的數(shù)量
    for i in range(n_trees):
        # 隨機抽樣的訓練樣本， 隨機采樣保證了每棵決策樹訓練集的差異性
        sample = subsample(train, sample_size)
        # 創(chuàng)建一個決策樹
        tree = build_tree(sample, max_depth, min_size, n_features)
        trees.append(tree)

    # 每一行的預測結(jié)果，bagging 預測最后的分類結(jié)果
    predictions = [bagging_predict(trees, row) for row in test]
    return predictions

測試算法：在采用自定義 n_folds 份隨機重抽樣 進行測試評估，得出綜合的預測評分。

• 計算隨機森林的預測結(jié)果的正確率

# 評估算法性能，返回模型得分
def evaluate_algorithm(dataset, algorithm, n_folds, *args):
    """evaluate_algorithm(評估算法性能，返回模型得分)

    Args:
        dataset     原始數(shù)據(jù)集
        algorithm   使用的算法
        n_folds     數(shù)據(jù)的份數(shù)
        *args       其他的參數(shù)
    Returns:
        scores      模型得分
    """

    # 將數(shù)據(jù)集進行隨機抽樣，分成 n_folds 份，數(shù)據(jù)無重復的抽取
    folds = cross_validation_split(dataset, n_folds)
    scores = list()
    # 每次循環(huán)從 folds 從取出一個 fold 作為測試集，其余作為訓練集，遍歷整個 folds ，實現(xiàn)交叉驗證
    for fold in folds:
        train_set = list(folds)
        train_set.remove(fold)
        # 將多個 fold 列表組合成一個 train_set 列表, 類似 union all
        """
        In [20]: l1=[[1, 2, 'a'], [11, 22, 'b']]
        In [21]: l2=[[3, 4, 'c'], [33, 44, 'd']]
        In [22]: l=[]
        In [23]: l.append(l1)
        In [24]: l.append(l2)
        In [25]: l
        Out[25]: [[[1, 2, 'a'], [11, 22, 'b']], [[3, 4, 'c'], [33, 44, 'd']]]
        In [26]: sum(l, [])
        Out[26]: [[1, 2, 'a'], [11, 22, 'b'], [3, 4, 'c'], [33, 44, 'd']]
        """
        train_set = sum(train_set, [])
        test_set = list()
        # fold 表示從原始數(shù)據(jù)集 dataset 提取出來的測試集
        for row in fold:
            row_copy = list(row)
            row_copy[-1] = None 
            test_set.append(row_copy)
        predicted = algorithm(train_set, test_set, *args)
        actual = [row[-1] for row in fold]

        # 計算隨機森林的預測結(jié)果的正確率
        accuracy = accuracy_metric(actual, predicted)
        scores.append(accuracy)
    return scores

使用算法：若你感興趣可以構(gòu)建完整的應用程序，從案例進行封裝，也可以參考我們的代碼

完整代碼地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/7.RandomForest/randomForest.py

AdaBoost

AdaBoost (adaptive boosting: 自適應 boosting) 概述

能否使用弱分類器和多個實例來構(gòu)建一個強分類器？ 這是一個非常有趣的理論問題。

AdaBoost 原理

AdaBoost 工作原理

adaboost_illustration.png

AdaBoost 開發(fā)流程

收集數(shù)據(jù)：可以使用任意方法
準備數(shù)據(jù)：依賴于所使用的弱分類器類型，本章使用的是單層決策樹，這種分類器可以處理任何數(shù)據(jù)類型。
    當然也可以使用任意分類器作為弱分類器，第2章到第6章中的任一分類器都可以充當弱分類器。
    作為弱分類器，簡單分類器的效果更好。
分析數(shù)據(jù)：可以使用任意方法。
訓練算法：AdaBoost 的大部分時間都用在訓練上，分類器將多次在同一數(shù)據(jù)集上訓練弱分類器。
測試算法：計算分類的錯誤率。
使用算法：通SVM一樣，AdaBoost 預測兩個類別中的一個。如果想把它應用到多個類別的場景，那么就要像多類 SVM 中的做法一樣對 AdaBoost 進行修改。

AdaBoost 算法特點

* 優(yōu)點：泛化（由具體的、個別的擴大為一般的）錯誤率低，易編碼，可以應用在大部分分類器上，無參數(shù)調(diào)節(jié)。
* 缺點：對離群點敏感。
* 適用數(shù)據(jù)類型：數(shù)值型和標稱型數(shù)據(jù)。

項目案例: 馬疝病的預測

項目流程圖

adaboost流程圖

基于單層決策樹構(gòu)建弱分類器

• 單層決策樹(decision stump, 也稱決策樹樁)是一種簡單的決策樹。

項目概述

預測患有疝氣病的馬的存活問題，這里的數(shù)據(jù)包括368個樣本和28個特征，疝氣病是描述馬胃腸痛的術語，然而，這種病并不一定源自馬的胃腸問題，其他問題也可能引發(fā)疝氣病，該數(shù)據(jù)集中包含了醫(yī)院檢測馬疝氣病的一些指標，有的指標比較主觀，有的指標難以測量，例如馬的疼痛級別。另外，除了部分指標主觀和難以測量之外，該數(shù)據(jù)還存在一個問題，數(shù)據(jù)集中有30%的值是缺失的。

開發(fā)流程

收集數(shù)據(jù)：提供的文本文件
準備數(shù)據(jù)：確保類別標簽是+1和-1，而非1和0
分析數(shù)據(jù)：統(tǒng)計分析
訓練算法：在數(shù)據(jù)上，利用 adaBoostTrainDS() 函數(shù)訓練出一系列的分類器
測試算法：我們擁有兩個數(shù)據(jù)集。在不采用隨機抽樣的方法下，我們就會對 AdaBoost 和 Logistic 回歸的結(jié)果進行完全對等的比較
使用算法：觀察該例子上的錯誤率。不過，也可以構(gòu)建一個 Web 網(wǎng)站，讓馴馬師輸入馬的癥狀然后預測馬是否會死去

收集數(shù)據(jù)：提供的文本文件

訓練數(shù)據(jù)：horseColicTraining.txt

測試數(shù)據(jù)：horseColicTest.txt

2.000000    1.000000    38.500000   66.000000   28.000000   3.000000    3.000000    0.000000    2.000000    5.000000    4.000000    4.000000    0.000000    0.000000    0.000000    3.000000    5.000000    45.000000   8.400000    0.000000    0.000000    -1.000000
1.000000    1.000000    39.200000   88.000000   20.000000   0.000000    0.000000    4.000000    1.000000    3.000000    4.000000    2.000000    0.000000    0.000000    0.000000    4.000000    2.000000    50.000000   85.000000   2.000000    2.000000    -1.000000
2.000000    1.000000    38.300000   40.000000   24.000000   1.000000    1.000000    3.000000    1.000000    3.000000    3.000000    1.000000    0.000000    0.000000    0.000000    1.000000    1.000000    33.000000   6.700000    0.000000    0.000000    1.000000

準備數(shù)據(jù)：確保類別標簽是+1和-1，而非1和0

def loadDataSet(fileName):
    # 獲取 feature 的數(shù)量, 便于獲取
    numFeat = len(open(fileName).readline().split('\t'))
    dataArr = []
    labelArr = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr = []
        curLine = line.strip().split('\t')
        for i in range(numFeat-1):
            lineArr.append(float(curLine[i]))
        dataArr.append(lineArr)
        labelArr.append(float(curLine[-1]))
    return dataArr, labelArr

分析數(shù)據(jù)：統(tǒng)計分析

過擬合(overfitting, 也稱為過學習)

• 發(fā)現(xiàn)測試錯誤率在達到一個最小值之后有開始上升，這種現(xiàn)象稱為過擬合。

過擬合.png

• 通俗來說：就是把一些噪音數(shù)據(jù)也擬合進去的，如下圖。

過擬合圖解.png

訓練算法：在數(shù)據(jù)上，利用 adaBoostTrainDS() 函數(shù)訓練出一系列的分類器

def adaBoostTrainDS(dataArr, labelArr, numIt=40):
    """adaBoostTrainDS(adaBoost訓練過程放大)
    Args:
        dataArr   特征標簽集合
        labelArr  分類標簽集合
        numIt     實例數(shù)
    Returns:
        weakClassArr  弱分類器的集合
        aggClassEst   預測的分類結(jié)果值
    """
    weakClassArr = []
    m = shape(dataArr)[0]
    # 初始化 D，設置每個樣本的權(quán)重值，平均分為m份
    D = mat(ones((m, 1))/m)
    aggClassEst = mat(zeros((m, 1)))
    for i in range(numIt):
        # 得到?jīng)Q策樹的模型
        bestStump, error, classEst = buildStump(dataArr, labelArr, D)

        # alpha目的主要是計算每一個分類器實例的權(quán)重(組合就是分類結(jié)果)
        # 計算每個分類器的alpha權(quán)重值
        alpha = float(0.5*log((1.0-error)/max(error, 1e-16)))
        bestStump['alpha'] = alpha
        # store Stump Params in Array
        weakClassArr.append(bestStump)

        print "alpha=%s, classEst=%s, bestStump=%s, error=%s " % (alpha, classEst.T, bestStump, error)
        # 分類正確：乘積為1，不會影響結(jié)果，-1主要是下面求e的-alpha次方
        # 分類錯誤：乘積為 -1，結(jié)果會受影響，所以也乘以 -1
        expon = multiply(-1*alpha*mat(labelArr).T, classEst)
        print '(-1取反)預測值expon=', expon.T
        # 計算e的expon次方，然后計算得到一個綜合的概率的值
        # 結(jié)果發(fā)現(xiàn)： 判斷錯誤的樣本，D對于的樣本權(quán)重值會變大。
        D = multiply(D, exp(expon))
        D = D/D.sum()

        # 預測的分類結(jié)果值，在上一輪結(jié)果的基礎上，進行加和操作
        print '當前的分類結(jié)果：', alpha*classEst.T
        aggClassEst += alpha*classEst
        print "疊加后的分類結(jié)果aggClassEst: ", aggClassEst.T
        # sign 判斷正為1， 0為0， 負為-1，通過最終加和的權(quán)重值，判斷符號。
        # 結(jié)果為：錯誤的樣本標簽集合，因為是 !=,那么結(jié)果就是0 正, 1 負
        aggErrors = multiply(sign(aggClassEst) != mat(labelArr).T, ones((m, 1)))
        errorRate = aggErrors.sum()/m
        # print "total error=%s " % (errorRate)
        if errorRate == 0.0:
            break
    return weakClassArr, aggClassEst

發(fā)現(xiàn)：
alpha （模型權(quán)重）目的主要是計算每一個分類器實例的權(quán)重(加和就是分類結(jié)果)
  分類的權(quán)重值：最大的值= alpha 的加和，最小值=-最大值
D （樣本權(quán)重）的目的是為了計算錯誤概率： weightedError = D.T*errArr，求最佳分類器
  樣本的權(quán)重值：如果一個值誤判的幾率越小，那么 D 的樣本權(quán)重越小

adaboost權(quán)重計算公式

測試算法：我們擁有兩個數(shù)據(jù)集。在不采用隨機抽樣的方法下，我們就會對 AdaBoost 和 Logistic 回歸的結(jié)果進行完全對等的比較。

def adaClassify(datToClass, classifierArr):
    """adaClassify(ada分類測試)
    Args:
        datToClass     多個待分類的樣例
        classifierArr  弱分類器的集合
    Returns:
        sign(aggClassEst) 分類結(jié)果
    """
    # do stuff similar to last aggClassEst in adaBoostTrainDS
    dataMat = mat(datToClass)
    m = shape(dataMat)[0]
    aggClassEst = mat(zeros((m, 1)))

    # 循環(huán) 多個分類器
    for i in range(len(classifierArr)):
        # 前提： 我們已經(jīng)知道了最佳的分類器的實例
        # 通過分類器來核算每一次的分類結(jié)果，然后通過alpha*每一次的結(jié)果 得到最后的權(quán)重加和的值。
        classEst = stumpClassify(dataMat, classifierArr[i]['dim'], classifierArr[i]['thresh'], classifierArr[i]['ineq'])
        aggClassEst += classifierArr[i]['alpha']*classEst
    return sign(aggClassEst)

使用算法：觀察該例子上的錯誤率。不過，也可以構(gòu)建一個 Web 網(wǎng)站，讓馴馬師輸入馬的癥狀然后預測馬是否會死去。

# 馬疝病數(shù)據(jù)集
# 訓練集合
dataArr, labelArr = loadDataSet("input/7.AdaBoost/horseColicTraining2.txt")
weakClassArr, aggClassEst = adaBoostTrainDS(dataArr, labelArr, 40)
print weakClassArr, '\n-----\n', aggClassEst.T
# 計算ROC下面的AUC的面積大小
plotROC(aggClassEst.T, labelArr)
# 測試集合
dataArrTest, labelArrTest = loadDataSet("input/7.AdaBoost/horseColicTest2.txt")
m = shape(dataArrTest)[0]
predicting10 = adaClassify(dataArrTest, weakClassArr)
errArr = mat(ones((m, 1)))
# 測試：計算總樣本數(shù)，錯誤樣本數(shù)，錯誤率
print m, errArr[predicting10 != mat(labelArrTest).T].sum(), errArr[predicting10 != mat(labelArrTest).T].sum()/m

完整代碼地址: https://github.com/apachecn/MachineLearning/blob/master/src/python/7.AdaBoost/adaboost.py

要點補充

非均衡現(xiàn)象：

在分類器訓練時，正例數(shù)目和反例數(shù)目不相等（相差很大）

• 判斷馬是否能繼續(xù)生存(不可誤殺)
• 過濾垃圾郵件(不可漏判)
• 不能放過傳染病的人
• 不能隨便認為別人犯罪

ROC 評估方法

• ROC 曲線: 最佳的分類器應該盡可能地處于左上角

ROC曲線.png

• 對不同的 ROC 曲線進行比較的一個指標是曲線下的面積(Area Unser the Curve, AUC).
• AUC 給出的是分類器的平均性能值，當然它并不能完全代替對整條曲線的觀察。
• 一個完美分類器的 AUC 為1，而隨機猜測的 AUC 則為0.5。

代價函數(shù)

• 基于代價函數(shù)的分類器決策控制：TP*(-5)+FN*1+FP*50+TN*0

代價函數(shù).png

抽樣

• 欠抽樣(undersampling)或者過抽樣(oversampling)
  • 欠抽樣: 意味著刪除樣例
  • 過抽樣: 意味著復制樣例(重復使用)

• 作者：片刻
• GitHub地址: https://github.com/apachecn/MachineLearning
• 版權(quán)聲明：歡迎轉(zhuǎn)載學習 => 請標注信息來源于 ApacheCN