我眼中的Adaboost

#coding=utf-8
from numpy import *

def loadSimpData():
    datMat = matrix([[1.0,2.1],
                    [ 2. ,  1.1],
                    [ 1.3,  1. ],
                    [ 1. ,  1. ],
                    [ 2. ,  1. ]])
    classLabels = [1.0, 1.0, -1.0, -1.0, 1.0]
    return datMat,classLabels

def loadDataSet(fileName):
    numFeat = len(open(fileName).readline().split(‘\t‘))
    dataMat = [];labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr = []
        curLine = line.strip().split(‘\t‘)
        for i in range(numFeat - 1):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelMat.append(float(curLine[-1]))
    return dataMat,labelMat
    
def stumpClassify(dataMatrix,dimen,threshVal,threshIneg):
    #初始化数据类别都为+1
    #分左右子树
    #与阀值比较，左子树小于阀值为-1，大于阀值为1。右侧大于阀值为-1，小于阀值为1。
    #这两种分法，最后取错误率最低的分法
    retArray = ones((shape(dataMatrix)[0],1))
    if threshIneg ==‘lt‘:
        retArray[dataMatrix[:,dimen] <= threshVal] = -1.0
    else:
        retArray[dataMatrix[:,dimen] > threshVal] = -1.0
    return retArray

def buildStump(dataArr,classLabels,D):
    dataMatrix = mat(dataArr); labelMat = mat(classLabels).T
    m,n = shape(dataMatrix)
    numSteps = 10.0; bestStump = {}; bestClasEst = mat(zeros((m,1)))
    minError = inf
    #循环取样本的第i个特征
    for i in range(n):
        #求出每一列的最大最小值
        rangeMin = dataMatrix[:,i].min(); rangeMax = dataMatrix[:,i].max();
        #步长
        stepSize = (rangeMax-rangeMin)/numSteps
        #这一个循环用来调整阀值
        for j in range(-1,int(numSteps)+1):
            for inequal in [‘lt‘, ‘gt‘]: 
                #计算阀值
                threshVal = (rangeMin + float(j) * stepSize)
                #计算预测标签
                predictedVals = stumpClassify(dataMatrix,i,threshVal,inequal)
                #错误矩阵，用来记录预测错误的样本
                errArr = mat(ones((m,1)))
                #实际标签与预测标签相等的为0
                errArr[predictedVals == labelMat] = 0
                #权重向量D乘错误矩阵，预测正确的权重为零，权重就无需更改
                weightedError = D.T*errArr  
                #与最小错误比较
                #print ("split: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (i, threshVal, inequal, weightedError))
                if weightedError < minError:
                    #更新最小错误
                    minError = weightedError
                    bestClasEst = predictedVals.copy()
                    bestStump[‘dim‘] = i
                    bestStump[‘thresh‘] = threshVal
                    bestStump[‘ineq‘] = inequal
  
    print ("bestsplit: dim %d, thresh %.2f, thresh ineqal: %s, the weighted error is %.3f" % (bestStump[‘dim‘], bestStump[‘thresh‘], bestStump[‘ineq‘], minError))
    #返回的是bestStump中保存的单层决策树（就是选择出了两类中能使错误率降到最低的特征）
    #最小错误率，最好的类别预测
    return bestStump,minError,bestClasEst

def adaBoostTrainDS(dataArr,classLabels,numIt=40):
    weakClassArr = []
    m = shape(dataArr)[0]
    #D是一个概率分布向量，其和要等于1，因此要除以m
    #权重的初始化可以是一样的随着迭代次数增加
    #增加错误分类的权重，降低错误分类的权重
    D = mat(ones((m,1))/m)
    aggClassEst = mat(zeros((m,1)))
    for i in range(numIt):
        #创建一个弱学习器（树根）
        bestStump,error,classEst = buildStump(dataArr,classLabels,D)
        print ("D:",D.T)
        #Adaboost为每一个弱分类器都分配一个权重alpha
        #这些alpha值都是基于每一个弱分类器的错误率进行计算
        #计算公式alpha = 1/2ln(1-c/c)
        #c是错误率c=错误分类的样本个数/所有样本总数
        #为了防止分母为零，增加1e-16
        alpha = float(0.5*log((1.0-error)/max(error,1e-16)))
        #存到树根中
        bestStump[‘alpha‘] = alpha
        weakClassArr.append(bestStump) 
        print ("classEst: ",classEst.T)
        #更新权重向量D
        #正确分类的expon为负（权重影响小）
        #错误分类的expon为正（权重影响大）
        #这里正确标签和预测样本标签相乘，标签一样为正，不一样为负
        expon = multiply(-1*alpha*mat(classLabels).T,classEst)
        D = multiply(D,exp(expon))
        D = D/D.sum()
        
        aggClassEst += alpha*classEst
        #sign if a>0 return 1,if a<0 return -1,if a==0 return 0
        #计算错误分类的个数
        aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T,ones((m,1)))
        #错误率
        errorRate = aggErrors.sum()/m
        print ("total error: ",errorRate)
        if errorRate == 0.0: break
    #返回每一次迭代获得的最好结果的分类器
    #弱分类器参数集合，和每一个弱分类器对应的alpha（权重）
    return weakClassArr
    
def adaClassify(datToClass,classifierArr):
    dataMatrix = mat(datToClass)
    m = shape(dataMatrix)[0]
    aggClassEst = mat(zeros((m,1)))
    #classifierArr是最优分类器的集合
    for i in range(len(classifierArr)):
        #调用训练好的分类器参数
        classEst = stumpClassify(dataMatrix, classifierArr[i][‘dim‘],                                 classifierArr[i][‘thresh‘],                                 classifierArr[i][‘ineq‘])
        #这些分类器使用投票的方式，获得最终的预测结果
        aggClassEst += classifierArr[i][‘alpha‘]*classEst
        print (aggClassEst)
    return sign(aggClassEst)
    
    
def test():
    datMat,classLabels = loadSimpData()
    #D = mat(ones((5,1))/5)
    #buildStump(datMat,classLabels,D)
    #以上就构成了一个弱分类器
    #接下来训练出多个弱分类器，构成Adaboost算法
    classifierArray = adaBoostTrainDS(datMat,classLabels,numIt=9)
    print(classifierArray)
    #接下来进行测试

#实例对马疝病数据集分类使用Adaboost
def app():
    datArr,labelArr = loadDataSet(‘horseColicTraining2.txt‘)
    classifierArray = adaBoostTrainDS(datArr,labelArr,10)
    
    testArr,testLabelArr = loadDataSet(‘horseColicTest2.txt‘)
    prediction10 = adaClassify(testArr,classifierArray)
    errArr = mat(ones((67,1)))
    errArr[prediction10!=mat(testLabelArr).T].sum()