写一个个人认为比较详细的adaboost算法
最近在看机器学习中adaboost(adaptive boostint)算法部分的内容,在csdn上面查找一番发现,好像没有讲的特别的详尽的,当然可能是我人品不佳,所以没有找到,为了防止同样的事情发生在其他人的身上,所以就写了这篇博文,尽量多的解释算法的推演过程更方便的大家去理解这个算法。
介绍adaboost算法之前,首先介绍一下学习算法的强弱,这个是PAC定义的:弱学习算法---识别错误率小于1/2(即准确率仅比随机猜测略高的学习算法),强学习算法---识别准确率很高并能在多项式时间内完成的学习算法。
接着我就用我所理解的例子来介绍一下adaboost算法,相信看过这个计算过程大家对这个算法肯定有更深刻的理解,由于csdn插入公式比较困难,所以下面的步骤我就用word截图来表示了,对了先叙述一下adaboost算法的迭代过程吧,这样对后面的计算会理解的更深刻一些。
adaboost算法迭代过程:
有了adaboost算法的迭代过程,那么我们就可以利用已知的公式对上面的式子进行简化了,下面的公式应用的会更多一 些
推导部分就到这里好了,接下来就是用例子来帮助大家理解adaboost算法的过程了,恩,见证奇迹的时刻到来了
好了到了这里对adaboost算法的过程肯定是理解了吧,那么我接着来放一个code来实现一下这个过程,必定会加深大家对这个算法的理解,OK,开始。
01.# coding: UTF-8 02.from __future__ import division 03.import numpy as np 04.import scipy as sp 05.from weakclassify import WEAKC 06.from dml.tool import sign 07.class ADABC: 08. def __init__(self,X,y,Weaker=WEAKC): 09. ''''' 10. Weaker is a class of weak classifier 11. It should have a train(self.W) method pass the weight parameter to train 12. pred(test_set) method which return y formed by 1 or -1 13. see detail in <统计学习方法> 14. ''' 15. self.X=np.array(X) 16. self.y=np.array(y) 17. self.Weaker=Weaker 18. self.sums=np.zeros(self.y.shape) 19. self.W=np.ones((self.X.shape[1],1)).flatten(1)/self.X.shape[1] 20. self.Q=0 21. #print self.W 22. def train(self,M=4): 23. ''''' 24. M is the maximal Weaker classification 25. ''' 26. self.G={} 27. self.alpha={} 28. for i in range(M): 29. self.G.setdefault(i) 30. self.alpha.setdefault(i) 31. for i in range(M): 32. self.G[i]=self.Weaker(self.X,self.y) 33. e=self.G[i].train(self.W) 34. #print self.G[i].t_val,self.G[i].t_b,e 35. self.alpha[i]=1/2*np.log((1-e)/e) 36. #print self.alpha[i] 37. sg=self.G[i].pred(self.X) 38. Z=self.W*np.exp(-self.alpha[i]*self.y*sg.transpose()) 39. self.W=(Z/Z.sum()).flatten(1) 40. self.Q=i 41. #print self.finalclassifer(i),'===========' 42. if self.finalclassifer(i)==0: 43. 44. print i+1," weak classifier is enough to make the error to 0" 45. break 46. def finalclassifer(self,t): 47. ''''' 48. the 1 to t weak classifer come together 49. ''' 50. self.sums=self.sums+self.G[t].pred(self.X).flatten(1)*self.alpha[t] 51. #print self.sums 52. pre_y=sign(self.sums) 53. #sums=np.zeros(self.y.shape) 54. #for i in range(t+1): 55. # sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i] 56. # print sums 57. #pre_y=sign(sums) 58. t=(pre_y!=self.y).sum() 59. return t 60. def pred(self,test_set): 61. sums=np.zeros(self.y.shape) 62. for i in range(self.Q+1): 63. sums=sums+self.G[i].pred(self.X).flatten(1)*self.alpha[i] 64. #print sums 65. pre_y=sign(sums) 66. return pre_y
郑重声明:本站内容如果来自互联网及其他传播媒体,其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享,并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。