机器学习实战--adaboost
2016-03-13 23:13
399 查看
前面我们已经学了好几个分类算法了(svm后面再讲),分类效果也还不错,但是我们也许会想,能不能在一个数据集上多次应用同一个算法,或者应用不同的算法呢?这就是我们adaboost的思想:通过多个弱分类器的组合,构成一个强分类器。
算法优点:
泛化错误率低,易编码,可应用在大部分分类器上,无需参数的调整
算法缺点:
对离群点很敏感
算法步骤:
这里我们用多个单层分类决策树为例(buildStump)
对每次循环:
1、用buildStump找到最佳的单层决策树
2、将最佳单层决策树加入到单层决策树数组
3、根据分类错误率计算新的(单层决策树)分类器权重alpha
4、计算新的权重向量(对每个样本)D
5、检查错误率是否小于指定值,若是,跳出循环,否则继续循环,直到循环次数满,或满足5中的条件
主要算法代码:
1、构建单层决策树,每个决策树用字典保存,D为每个样本的权重向量,决策树分错的样本,对应的权重越大。
2、训练决策树,numIt为循环次数,构建好的多个决策树用列表保存,aggClassEst 用来保存累计的分类值(和分类器的权重有关),
3、分类
注意事项:
1、增加循环次数numIt,我们会发现在训练数据集上的错误率会越来越低,但在测试数据集上的错误率会先下降后上升,即出现了所谓的“过拟合”,也有理论说,如果数据集选得足够好的话,不会出现上面的问题,看来我们选的数据集还不够理想。
2、如果想在一个数据集上运用多个算法,该怎么改进上述算法?只需将一直使用一种分类器改为多种分类器交叉使用,得到分类后的结果,即可进行alpha和D的更新,并注意数据的接口要一致。
3、非均衡分类问题。作为对前述分类器的讨论,前述分类器中,我们并没有考虑分错的代价,为了研究这些关系,我么引入正确率,召回率,ROC曲线,AUC。这里给出ROC曲线和AUC的计算源码。对于代价问题,我们一样的可以引入不同的权重加以解决。非均衡问题亦可通过数据抽样加以改善(过抽样,欠抽样)
算法优点:
泛化错误率低,易编码,可应用在大部分分类器上,无需参数的调整
算法缺点:
对离群点很敏感
算法步骤:
这里我们用多个单层分类决策树为例(buildStump)
对每次循环:
1、用buildStump找到最佳的单层决策树
2、将最佳单层决策树加入到单层决策树数组
3、根据分类错误率计算新的(单层决策树)分类器权重alpha
4、计算新的权重向量(对每个样本)D
5、检查错误率是否小于指定值,若是,跳出循环,否则继续循环,直到循环次数满,或满足5中的条件
主要算法代码:
1、构建单层决策树,每个决策树用字典保存,D为每个样本的权重向量,决策树分错的样本,对应的权重越大。
def stumpClassify(dataMatrix,dimen,threshVal,threshIneq):#just classify the data retArray = ones((shape(dataMatrix)[0],1)) if threshIneq == 'lt': retArray[dataMatrix[:,dimen] <= threshVal] = -1.0 else: retArray[dataMatrix[:,dimen] > threshVal] = -1.0 return retArray def buildStump(dataArr,classLabels,D): dataMatrix = mat(dataArr); labelMat = mat(classLabels).T m,n = shape(dataMatrix) numSteps = 10.0; bestStump = {}; bestClasEst = mat(zeros((m,1))) minError = inf #init error sum, to +infinity for i in range(n):#loop over all dimensions rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max(); stepSize = (rangeMax-rangeMin)/numSteps for j in range(-1,int(numSteps)+1):#loop over all range in current dimension for inequal in ['lt', 'gt']: #go over less than and greater than threshVal = (rangeMin + float(j) * stepSize) predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)#call stump classify with i, j, lessThan errArr = mat(ones((m,1))) errArr[predictedVals == labelMat] = 0 weightedError = D.T*errArr #calc total error multiplied by D #print "split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError) if weightedError < minError: minError = weightedError bestClasEst = predictedVals.copy() bestStump['dim'] = i bestStump['thresh'] = threshVal bestStump['ineq'] = inequal return bestStump,minError,bestClasEst
2、训练决策树,numIt为循环次数,构建好的多个决策树用列表保存,aggClassEst 用来保存累计的分类值(和分类器的权重有关),
aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1)))这个代码用的很巧妙,要多学习,另外对于multiply函数而言,矩阵和数组,数组和数组,等..之间都可以进行运算。
def adaBoostTrainDS(dataArr,classLabels,numIt=40): weakClassArr = [] m = shape(dataArr)[0] D = mat(ones((m,1))/m) #init D to all equal aggClassEst = mat(zeros((m,1))) for i in range(numIt): bestStump,error,classEst = buildStump(dataArr,classLabels,D)#build Stump #print "D:",D.T alpha = float(0.5*log((1.0-error)/max(error,1e-16)))#calc alpha, throw in max(error,eps) to account for error=0 bestStump['alpha'] = alpha weakClassArr.append(bestStump) #store Stump Params in Array #print "classEst: ",classEst.T expon = multiply(-1*alpha*mat(classLabels).T,classEst) #exponent for D calc, getting messy D = multiply(D,exp(expon)) #Calc New D for next iteration D = D/D.sum() #calc training error of all classifiers, if this is 0 quit for loop early (use break) aggClassEst += alpha*classEst #print "aggClassEst: ",aggClassEst.T aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1))) errorRate = aggErrors.sum()/m print "total error: ",errorRate if errorRate == 0.0: break return weakClassArr,aggClassEst
3、分类
def adaClassify(datToClass,classifierArr): dataMatrix = mat(datToClass)#do stuff similar to last aggClassEst in adaBoostTrainDS m = shape(dataMatrix)[0] aggClassEst = mat(zeros((m,1))) for i in range(len(classifierArr)): classEst = stumpClassify(dataMatrix,classifierArr[i]['dim'],\ classifierArr[i]['thresh'],\ classifierArr[i]['ineq'])#call stump classify aggClassEst += classifierArr[i]['alpha']*classEst print aggClassEst return sign(aggClassEst)
注意事项:
1、增加循环次数numIt,我们会发现在训练数据集上的错误率会越来越低,但在测试数据集上的错误率会先下降后上升,即出现了所谓的“过拟合”,也有理论说,如果数据集选得足够好的话,不会出现上面的问题,看来我们选的数据集还不够理想。
2、如果想在一个数据集上运用多个算法,该怎么改进上述算法?只需将一直使用一种分类器改为多种分类器交叉使用,得到分类后的结果,即可进行alpha和D的更新,并注意数据的接口要一致。
3、非均衡分类问题。作为对前述分类器的讨论,前述分类器中,我们并没有考虑分错的代价,为了研究这些关系,我么引入正确率,召回率,ROC曲线,AUC。这里给出ROC曲线和AUC的计算源码。对于代价问题,我们一样的可以引入不同的权重加以解决。非均衡问题亦可通过数据抽样加以改善(过抽样,欠抽样)
def plotROC(predStrengths, classLabels): import matplotlib.pyplot as plt cur = (1.0,1.0) #cursor ySum = 0.0 #variable to calculate AUC numPosClas = sum(array(classLabels)==1.0) yStep = 1/float(numPosClas); xStep = 1/float(len(classLabels)-numPosClas) sortedIndicies = predStrengths.argsort()#get sorted index, it's reverse fig = plt.figure() fig.clf() ax = plt.subplot(111) #loop through all the values, drawing a line segment at each point for index in sortedIndicies.tolist()[0]: if classLabels[index] == 1.0: delX = 0; delY = yStep; else: delX = xStep; delY = 0; ySum += cur[1] #draw line from cur to (cur[0]-delX,cur[1]-delY) ax.plot([cur[0],cur[0]-delX],[cur[1],cur[1]-delY], c='b') cur = (cur[0]-delX,cur[1]-delY) ax.plot([0,1],[0,1],'b--') plt.xlabel('False positive rate'); plt.ylabel('True positive rate') plt.title('ROC curve for AdaBoost horse colic detection system') ax.axis([0,1,0,1]) plt.show() print "the Area Under the Curve is: ",ySum*xStep
相关文章推荐
- NSString常见用法总结
- Java向上转型和向下转型
- 索引器方法
- Cpufreq framework 分析-1
- [leetcode] 281. Zigzag Iterator 解题报告
- 嵌入式 uboot、fs、kernel制作和烧录简记-hi3518c
- Objective-C的基础语法总结
- Swift入门-Day 1
- spring基础-IO
- yum本地源的制作
- 闭关日记 Day01
- mysql (master/slave)复制原理及配置
- 主题模型及其变种的实现代码汇总
- Java day02 方法(交换数据,普通形式)
- React Native for android 项目驱动教程
- 一个三年Android开发的总结-开篇
- 数据库三大范式
- C语言——qsort排序
- uva10131 - Is Bigger Smarter?
- 产品文章理解之--成为产品经理必备的6种能力(引用)