Adaboost

标签：sub   boosting   分类   com   ati   公式   math   XML   函数   

Adaboost是boost提升算法中的一种，Boosting算法是将“弱学习算法“提升为“强学习算法”的过程，主要思想是“三个臭皮匠顶个诸葛亮”。一般来说，找到弱学习算法要相对容易一些，然后通过反复学习得到一系列弱分类器，组合这些弱分类器得到一个强分类器。Boosting算法要涉及到两个部分，加法模型和前向分步算法。加法模型就是说强分类器由一系列弱分类器线性相加而成。一般组合形式如下：

                                  

其中，h(x;am) 就是一个个的弱分类器，am是弱分类器学习到的最优参数，βm就是弱学习在强分类器中所占比重，P是所有am和βm的组合。这些弱分类器线性相加组成强分类器。

前向分步就是说在训练过程中，下一轮迭代产生的分类器是在上一轮的基础上训练得来的。也就是可以写成这样的形式：

由于采用的损失函数不同，Boosting算法也因此有了不同的类型，AdaBoost就是损失函数为指数损失的Boosting算法。

Adaboost算法流程

Adaboost每次选择一个二分类算法，然后计算当前误差，将错误的样本的权值提高，分类正确的样本权值降低，这个算法有一个权重alpha作为这个分类算法最后的权重，然后再次迭代下一次算法模型，遇到m个算法模型或者分类误差率为0时退出算法。

AdaBoost算法的解释

AdaBoost还有一种解释，即可认为AdaBoost算法是模型为加法模型、损失函数为指数函数、学习算法为前向分布算法时的二类分类学习方法。

前向分布算法

加法模型 additive model
                             
其中，  为基函数，  为基函数系数，  为基函数参数。

在给定训练数据及损失函数  的条件下，学习加法模型  成为经验风险极小化问题
              

学习加法模型，从前向后每一步只学习一个基函数及其系数，即每步只优化
                           

前向分布算法 forward stagewise algorithm：
输入：训练数据集  ，损失函数  ；基函数集 
输出：加法模型 
1. 初始化 
2. 对 
2.1 极小化损失函数

得到参数 
2.2 更新

3. 得到加法模型

定理：AdaBoost算法是前向分布加法算法的特例。这时模型是由基本分类器组成的加法模型，损失函数是指数函数。

证明：

加法模型等价于AdaBoost的最终分类器

由基本分类器  及其系数  组成，  。前向分布算法逐一学习基本函数，这一过程与AdaBoost算法逐一学习基本分类器的过程一致。下面证明前向分布算法的损失函数是指数损失函数（exponential loss function）

时，其学习的具体操作等价于AdaBoost算法学习的具体操作。

假设经过$m-1$轮迭代前向分布算法已经得到  ：

在第  轮得到  和  .

目标是使前向算法得到的$\alpha {m}$和$G{m}$使$f_{m}(x)$在训练数据集$T$上的指数损失最小，即：

可以表示成：

其中，  ，因为  不依赖于  ，也不依赖于  。

首先求  ，进一步展开：

所以最小化  由下式得到：

之后我们求解  ：

对  求导：

即得：

其中  是分类错误率：

原式 =

　　　　　　　　　　　　　　　　　　　(e^α + e^(-α)) / (e^(-α)) = 1 / em

　　　　　　　　　　　　　　　　　　　　e^(2*α)  = 1 / em - 1 = (1 - em) / em

这里的  与AdaBoost算法的  完全一致。

再看一下每一轮的权值更新，由：

以及  ，可得：

这与AdaBoost算法的样本权值的更新，只相差规范会因子，因此等价。

参考链接：

【1】https://www.cnblogs.com/ScorpioLu/p/8295990.html

【2】https://zhuanlan.zhihu.com/p/39972832

【3】《统计学习方法》李航

Adaboost

标签：sub   boosting   分类   com   ati   公式   math   XML   函数   

原文地址：https://www.cnblogs.com/lalalatianlalu/p/11520624.html