机器学习算法——Adaboost_adaboost学习策略与算法

前向分布算法

前向分布算法属于加法模型：
$$f(x)=\sum _{m=1}^M{\beta }_{m}b(x;{\gamma }_m)$$
$b(x;{\gamma }_m)$为基函数，即基分类器，${\beta }_m为基函数的系数$。

Adaboost算法的基本思路

Adaboost使用的是Boosting算法集成框架，首先从训练集用初始权重训练出一个弱学习器1，根据弱学习的学习误差率表现来更新训练样本的权重，使得之前弱学习器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的弱学习器2中得到更多的重视。然后基于调整权重后的训练集来训练弱学习器2.，如此重复进行，直到弱学习器数达到事先指定的数目T，最终将这T个弱学习器通过集合策略进行整合，得到最终的强学习器。

输入：训练数据集，弱学习算法，弱分类器迭代次数K
输出：最终分类器

1. 初始化训练数据的权值分布
2. 使用具有权重$D_k$的样本集来训练数据，得到弱分类器$G_k(x)$
3. 计算分类误差率，找到分类误差率最低的时候的阈值$v$
4. 计算Gk(x)的分类误差率
5. 计算弱分类器的系数
6. 更新样本集的权重分布
7. 根据阈值$v$在分类
8. 迭代…直到分类器上的误分类点为0
9. 强分类器

AdaBoost二元分类问题算法流程

输入：训练样本集$T=$ {$(x_1,y_1),(x_2,y_2),\cdots ,(x_m,y_m)$}、弱分类器算法, 弱分类器迭代次数K。
输出：最终的强分类器

1. 初始化训练数据的权值分布$$D(1)=(w_{11},w_{12},\cdots ,w_{1m});w_{1i}=\frac{1}{m};i=1,2\cdots m$$

2. 使用具有权重$D_k$的样本集来训练数据，得到弱分类器$G_k(x)$

3. 计算分类误差率$e_k$，找到分类误差率最低的时候的阈值$v$

4. 计算Gk(x)的分类误差率计算Gk(x)的分类误差率$$e_k=P(G_k(x_i)\ne y_i)=\sum _{i=1}^m{w}_{ki}I(G_k(x_i)\ne y_i)$$

5. 计算弱分类器的系数计算弱分类器的系数$${\alpha }_k=\frac{1}{2}log\frac{1-e_k}{e_k}$$

6. 更新样本集的权重分布$$w_{k+1,i}=\frac{w_{ki}}{Z_K}exp(-{\alpha }_k{y}_i{G}_k(x_i)),i=1,2,3\cdots m$$
   $$Z_k=\sum _{i=1}^m{w}_{ki}exp(-{\alpha }_k{y}_i{G}_k(x_i)),Z_K为规范化因子$$

7. 根据阈值$v$在分类根据阈值$v$在分类

8. 迭代…直到分类器上的误分类点为0

9. 强分类器$$f(x)=sign(\sum _{k=1}^K{\alpha }_k{G}_k(x))$$

对于Adaboost多元分类算法，其实原理和二元分类类似，最主要区别在弱分类器的系数上。比如Adaboost SAMME算法，它的弱分类器的系数
$${\alpha }_k=\frac{1}{2}log\frac{1-e_k}{e_k}+log(R-1),其中R为类别数。$$

Adaboost回归问题的算法流程

这里我们对AdaBoost回归问题算法流程做一个总结。AdaBoost回归算法变种很多，下面的算法为Adaboost R2回归算法过程。

1. 初始化训练数据的权值分布$$D(1)=(w_{11},w_{12},\cdots ,w_{1m});w_{1i}=\frac{1}{m};i=1,2\cdots m$$
2. 使用具有权重$D_k$的样本集来训练数据，得到弱分类器$G_k(x)$使用具有权重$D_k$的样本集来训练数据，得到弱分类器$G_k(x)$
3. 计算训练集上的最大误差$$E_k=max|y_i-G_k(x_i)|,i=1,2\cdots m$$
4. 计算每个样本的相对误差:
   a.如果是线性误差，则$e_{ki}=\frac{|y_i-G_k(x_i)|}{E_k}$
   b.如果是平方误差，则$e_{ki}=\frac{(y_i-G_k(x_i){)}^2}{E_k}$
   c.如果是指数误差，则$e_{ki}=1-exp(-\frac{|y_i-G_k(x_i)|}{E_k})$
5. 计算回归误差率$$s_k=\sum _{i=1}^m{w}_{ki}{e}_{ki}$$
6. 计算弱学习器的系数$${\alpha }_k=\frac{e_k}{1-e_k}$$
7. 更新样本集的权重分布为$$w_{k+1,i}=\frac{w_{ki}}{Z_k}{\alpha }_k^{1-e_{ki}}$$$$Z_k=\sum _{i=1}^m{w}_{ki}{\alpha }_k^{1-e_{ki}}$$
8. 构建最终强学习器为：$$f(x)=G_{k^{\ast }}(x)$$
   　其中，$G_{k^{\ast }}(x)$是所有$ln\frac{1}{{\alpha }_k},k=1,2,....K$的中位数值对应序号$k^{\ast }$对应的弱学习器。

Adaboost算法的正则化

为了防止Adaboost过拟合，我们通常也会加入正则化项，这个正则化项我们通常称为步长(learning rate)。定义为$v$,对于前面的弱学习器的迭代
　$$f_k(x)=f_{k-1}(x)+{\alpha }_k{G}_k(x)$$
　加上了正则化项，则有
　$$f_k(x)=f_{k-1}(x)+v{\alpha }_k{G}_k(x),0<\nu \le 1$$
对于同样的训练集学习效果，较小的ν意味着我们需要更多的弱学习器的迭代次数。通常我们用步长和迭代最大次数一起来决定算法的拟合效果。

Adaboost算法的优缺点

• 优点：
  Adaboost作为分类器时，分类精度很高
  在Adaboost的框架下，可以使用各种回归分类模型来构建弱学习器，非常灵活。
  作为简单的二元分类器时，构造简单，结果可理解。
  不容易发生过拟合
• 缺点
  对异常样本敏感，异常样本在迭代中可能会获得较高的权重，影响最终的强学习器的预测准确性。