Adaboost实现鸢尾花分类

1.Aadboost算法

boosting思想算法

boosting算法是将弱学习器提升为强学习器的算法，其思想是用几个仅比随机猜测好的傻子学习器反复进行学习，每次学习时候都更关注上次分类错误的样本，过程如下：

从初始训练集训练一个基学习器：从训练集D中以无放回抽样方式随机抽取一个训练子集d1，用于弱学习机C1的训练。
根据基学习器的表现对样本进行调整，使先前分类错误的样本在下一次训练时得到更多的关注。
基于调整后的样本分布来训练下一个学习器。
重复进行，直到基学习器数目达到指定值T，将这T个学习器进行投票，组成多个弱学习器。

adaboost算法模型

Adaboost与原始的boosting过程不同，它使用整个训练集来训练弱学习机，其中训练样本在每次迭代中都会被重新赋予一个权重，在上一弱学习机错误的基础上进行学习，进而构建一个更加强大的分类器。

adaboost提高过程

训练过程：
-对于每一个新的学习器，AdaBoost改变训练数据的权值，也就是样本的概率分布，其思想是将关注点放在被错误分类的样本上，减小上一轮被正确分类的样本权值，提高那些被错误分类的样本权值。然后，再根据所采用的一些基本机器学习算法进行学习。
集成过程
-AdaBoost采用加权多数表决的方法，加大分类误差率小的弱分类器的权重，减小分类误差率大的弱分类器的权重。使正确率更高的分类器有更大的发言权

adaboost集成过程

在训练集中，给所有样本赋予相同的权重。比如训练集有m个样本，那么每
个样本的权重都是1/m。
根据给定的迭代次数n，进行n次循环，其中第j次做如下操作：
训练一个加权的弱学习机：Cj = train(X, y, W)。W表示所有样本的权重矩阵。
用这个加权的弱学习机预测样本类标y’ = predict(Cj, X)。
计算权重错误率：
ε= W(Y’ != Y)= w1(y1’ != y1) + w2(y2’ != y2) +…+ wn(yn’ != yn) ，
Y’表示预测结果矩阵，Y表示真实类别矩阵。
如果弱分类器预测错误，(yj’ != yj) == 1；
如果弱分类器预测正确，(yj’ != yj) == 0。
如果权重错误率ε= 0，则跳出循环，不用继续迭代了。
计算相关系数：αj =0.5*ln((1 - ε) / ε)。错误率越低，相关系数αj越大，这相当于给分类效果好的分类器在最后的投票中赋予更大的权重。
更新权重：
W = Wexp(-αj * Y’ * Y)，*
如果某个样本预测错了，则：
yj’ * yj == -1，-αj * yj’ * yj > 0，exp(-αj * yj’ * yj) > 1
(exp(x)是计算e的x次方的指数函数)，wj * exp(-αj * yj’ * yj) > wj。
在更新权重这一步，实现了对误分类的样本赋予更高的权重。
归一化权重，使其和为1。(3)~(8)为一个迭代。
完成最终的预测：Y’ = sign() ，大于0为1，小于0为-1。

实验过程

导入模块

import numpy as np
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
from matplotlib.font_manager import FontProperties
from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import AdaBoostClassifier
%matplotlib inline
font = FontProperties(fname='/Library/Fonts/Heiti.ttc')

导入数据
实验数据为鸢尾花

X = iris_data.data[:, [2, 3]]
y = iris_data.target
label_list = ['山鸢尾', '杂色鸢尾', '维吉尼亚鸢尾']

构造决策边界

def plot_decision_regions(X, y, classifier=None):
    marker_list = ['o', 'x', 's']
    color_list = ['r', 'b', 'g']
    cmap = ListedColormap(color_list[:len(np.unique(y))])

    x1_min, x1_max = X[:, 0].min()-1, X[:, 0].max()+1
    x2_min, x2_max = X[:, 1].min()-1, X[:, 1].max()+1
    t1 = np.linspace(x1_min, x1_max, 666)
    t2 = np.linspace(x2_min, x2_max, 666)

    x1, x2 = np.meshgrid(t1, t2)
    y_hat = classifier.predict(np.array([x1.ravel(), x2.ravel()]).T)
    y_hat = y_hat.reshape(x1.shape)
    plt.contourf(x1, x2, y_hat, alpha=0.2, cmap=cmap)
    plt.xlim(x1_min, x1_max)
    plt.ylim(x2_min, x2_max)

    for ind, clas in enumerate(np.unique(y)):
        plt.scatter(X[y == clas, 0], X[y == clas, 1], alpha=0.8, s=50,
                    c=color_list[ind], marker=marker_list[ind], label=label_list[clas])

训练模型

adbt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5),
                          algorithm="SAMME", n_estimators=10, learning_rate=0.8)
adbt.fit(X, y)

实验结果

sklearn中的adaboost分类器默认为决策树，其各项参数如下：
base_estimator:基分类器，默认是决策树，在该分类器基础上进行boosting，理论上可以是任意一个分类器，但是如果是其他分类器时需要指明样本权重。
n_estimators:基分类器提升（循环）次数，默认是50次，这个值过大，模型容易过拟合；值过小，模型容易欠拟合。
learning_rate:学习率，表示梯度收敛速度，默认为1，如果过大，容易错过最优值，如果过小，则收敛速度会很慢；该值需要和n_estimators进行一个权衡，当分类器迭代次数较少时，学习率可以小一些，当迭代次数较多时，学习率可以适当放大。
algorithm:boosting算法，也就是模型提升准则，有两种方式SAMME, 和SAMME.R两种，默认是SAMME.R，两者的区别主要是弱学习器权重的度量，前者是对样本集预测错误的概率进行划分的，后者是对样本集的预测错误的比例，即错分率进行划分的，默认是用SAMME.R。
random_state:随机种子设置。