机器学习实战 - 读书笔记(07) - 利用AdaBoost元算法提高分类性能

前言

最近在看Peter Harrington写的“机器学习实战”，这是我的学习笔记，这次是第7章 - 利用AdaBoost元算法提高分类性能。

核心思想

在使用某个特定的算法是，有时会发现生成的算法f(x)的错误率比较高，只使用这个算法达不到要求。 这时f(x)就是一个弱算法。 在以前学习算法的过程中，我们认识到算法的参数很重要，所以把公式改写成这样： f(x,arguments) \\ where \\ \qquad x \text{ : calculated data} \\ \qquad arguments \text{ : function arguments} 一个思路是通过多个弱算法组合形成一个强算法来满足需求。 训练多个弱算法的思路如下：

• 根据样本数据，求出f(x,arguments_1)；
• 调整样本数据：将满足匹配f(x,arguments_1)的样本数据的权重调低，将不满足匹配f(x,arguments_1)的样本数据的权重调高。
• 重复以上步骤，训练出多个弱算法算法f(x,arguments_1), ..., f(x,arguments_n)，直到这些弱算法组合的错误率等于0，或者小于指定值为止。

这个思路称之为Adaboost算法，是对其它算法组合的一种方式。 我们可以看出弱算法是同类的算法，也就是说，它们是基于相同的算法，只不过参数不同。这样元算法在训练算法的步骤中就好容易控制。 注：也有其它的的元算法，可以针对不同算法的。

基本概念

• 元算法（meta-algorithm），是对其它算法组合的一种方式。也称为集成方法(ensemble method)。
• 弱算法：准确度较低的算法。元算法通过组合多个弱算法来提高准确率。
• 强算法：可以认为是组合后的算法。
• boosting ： 是一种元算法，将多个弱算法变成强算法的算法族。除了AdsBoost，还有LPBoost, TotalBoost, BrownBoost, xgboost, MadaBoost, LogitBoost, and others.
• Adaboost ： Adaptive Boosting的简称。一个具体的boosting算法。本章就是介绍这个算法。

详解Adaboost

说明：书中弱算法是一个单层决策树算法，返回的是一个二类分类结果(-1, 1)。所以书中Adaboost也是一个二类分类算法。

Adaboost训练算法

• 输入
  • 样本数据
  • 弱算法的数量
• 输出
  • 一个弱算法数组(弱算法参数，弱算法权重\(\alpha_i\))
• 逻辑 在一个迭代中(弱算法数量) 计算当前算法的参数 计算当前算法的错误率 计算当前算法的权重 计算下次样本数据的权重 计算当前的样本数据错误数，如果是0,退出。
• 核心数学公式
  • 训练算法 - 计算弱算法f_i(x)的权重\alpha_i: \alpha_i = \begin{cases} \frac{1}{2}ln \left (\frac{1 - \epsilon_i}{\epsilon_i} \right), & \text{if} \epsilon_i > C \\ \frac{1}{2}ln \left (\frac{1 - \epsilon_i}{C} \right), & \text{if} \epsilon_i \leqslant C \end{cases} \\ where \\ \qquad \epsilon_i = \frac{count(\text{wrong classified samples})}{count(\text{all samples})} \text{ : error rate of function i} \\ \qquad C \text{ : constant }\ e^{-16} 解释：为什要用自然对数？ 个人认为在权重方面，自然对数和log_2,log_{10}性质上是一样的，它们的结果是等比例的。 数学家倾向于使用自然对数。 求对数是可以将数据关系线性化。比如log_{10}1000 = 3, log_{10}100 = 2, log_{10}10 = 1.
  • 训练算法 - 调整样本数据：每条样本数据的权重D_1 D_i^{'(t)} = \begin{cases} D_i^{(t)}e^{-\alpha}, & \text{if the sample is classified correctly} \\ D_i^{(t)}e^{\alpha}, & \text{if the sample is not classified correctly} \end{cases} \\ D_i^{(t+1)} = \frac{D_i^{'(t)}}{\textstyle \sum_{j=1}^n D_j^{'(t)}} \\ where \\ \qquad \alpha \text{ : weight of current weak function} \\ \qquad D \text{ : is a vector, the length is the length of samples data} \\ \qquad D_i \text{ : is weight value of sample data i} \\ \qquad D_i^{(t)} \text{ : is weight value of sample i for this function} \\ \qquad D_i^{(t+1)} \text{ : is weight value of sample i for next week function} 解释： 假如有1000个sample，有100个sample被分错类，则: \begin{array}{lcl} \epsilon & =\frac{100}{1000} \\ \alpha & = \frac{1}{2}ln \left(\frac{1 - \frac{100}{1000}}{\frac{100}{1000}} \right) \\ & = \frac{1}{2}ln(9) \\ D_{correct}^{'} & = 1 * e^{-\frac{1}{2}ln(9)} \\ & = \frac{1}{e^{\frac{1}{2}} * 9} \\ D_{incorrect}^{'} & = 1 * e^{\frac{1}{2}ln(9)} \\ & = e^{\frac{1}{2}} * 9 \\ \frac{D_{incorrect}^{'}}{D_{correct}^{'}} & = e * 9 ^ 2 \end{array} 可以看出错误的sample占的比例越小，下次的权重是二次方级数增大。

Adaboost分类算法

• 输入
  • 分类数据
  • 弱算法数组
• 输出
  • 分类结果
• 逻辑 在一个迭代中(弱算法数量) 用当前弱算法计算分类结果$classified_i$ 计算强分类结果（使用下面的公式） 返回分类结果
• AdaBoost分类器中计算公式 \textstyle \sum_{i=1}^n \alpha_if_i(x) \\ where \\ \qquad \alpha_i \text{ : weight of weak function i} \\ \qquad f_i(x) \text{ : weak function i}

参考

• Machine Learning in Action by Peter Harrington
• Boosting (machine learning)