sklearn.ensemble._weight_boosting.BaseWeightBoosting.fit
for iboost in range(self.n_estimators):
# Boosting step
sample_weight, estimator_weight, estimator_error = self._boost(
iboost,
X, y,
sample_weight,
random_state)
sample_weight_sum = np.sum(sample_weight)
if iboost < self.n_estimators - 1:
# Normalize
sample_weight /= sample_weight_sum
sklearn.ensemble._weight_boosting.AdaBoostClassifier._boost_discrete
estimator.fit(X, y, sample_weight=sample_weight)
sample_weight
あるWMI W_ {MI}wm i、サンプル重量に応じたフィッティング
# Instances incorrectly classified
incorrect = y_predict != y
# Error fraction
estimator_error = np.mean(
np.average(incorrect, weights=sample_weight, axis=0))
誤分類率は、誤分類されたサンプルの重みの合計です。em= ∑ i = 1 N wmi I(G m(xi)≠yi)e_m = \ sum_ {i = 1} ^ {N} w_ {mi} I (G_m(x_i)\ neq y_i)eメートル=∑i = 1Nwm i私(Gメートル(x私)。=Y私)。
弱い学習者の効果がランダムでさえない場合は、早めに止めてください。
G mG_mを計算しますGメートルαm= 1 2 log 1 − emem \ alpha_m = \ frac {1} {2} log \ frac {1-e_m} {e_m}の係数aメートル=21l o geメートル1 − eメートル
SAMME
アルゴリズムは複数の分類を考慮し、それをlearning_rateの減衰で乗算して、正則化を実現します。
wmi = exp(−yiαm− 1 G m − 1(xi))w_ {mi} = exp(-y_i \ alpha_ {m-1} G_ {m-1}(x_i)) wm i=E X P (- Y私aM - 1GM - 1(x私))
试想、y×y ^ y \回\帽子{y}Y××Y^、2番目の分類では、2つが異なる場合にのみ、1になります。
実際、この記事では、複数のカテゴリの状況も考慮に入れています。マルチカテゴリの場合、変更する必要があるのはαm\ alpha_mだけです。aメートルこれがコードでestimator_weight
の計算です。