统计学习方法 AdaBoost

标签：

提升方法的基本思路

在概率近似正确（probably approximately correct，PAC）学习的框架中，

一个概念（一个类），如果存在一个多项式的学习算法能够学习它，并且正确率很高，那么就称这个概念是强可学习的；

一个概念，如果存在一个多项式的学习算法能够学习它，学习的正确率仅比随机猜测略好，那么就称这个概念是弱可学习的。

Schapire后来证明强可学习与弱可学习是等价的，也就是说，在PAC学习的框架下，

一个概念是强可学习的充分必要条件是这个概念是弱可学习的。

?

对于分类问题而言，给定一个训练样本集，求比较粗糙的分类规则（弱分类器）要比求精确的分类规则（强分类器）容易得多。

提升方法就是从弱学习算法出发，反复学习，得到一系列弱分类器（又称为基本分类器），然后组合这些弱分类器，构成一个强分类器。

大多数的提升方法都是改变训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习一系列弱分类器。

?

对提升方法来说，有两个问题需要回答：

一是在每一轮如何改变训练数据的权值或概率分布；

二是如何将弱分类器组合成一个强分类器。

第1个问题，AdaBoost的做法是，提高那些被前一轮弱分类器错误分类样本的权值，而降低那些被正确分类样本的权值。

那些没有得到正确分类的数据，由于其权值的加大而受到后一轮的弱分类器的更大关注。于是，分类问题被一系列的弱分类器"分而治之"。

第2个问题，即弱分类器的组合，AdaBoost采取加权多数表决的方法。

加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用，‘

减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用。

?

AdaBoost算法

训练数据集

1. 初始化训练数据的权值分布

   

2. 对M＝1,2,…,m

   使用具有权值分布Dm的训练数据集学习，得到基本分类器：

   

   计算G_m(x)在训练数据集上的分类误差率：

   

   计算G_m(x)的系数

   

   更新训练数据集的权值分布：

   

   Z_m是规范化因子：

   

3. 构建基本分类器的线性组合

   

   

AdaBoost说明：

1. 假设训练数据集具有均匀的权值分布，即每个训练样本在基本分类器的学习中作用相同，

   这一假设保证第1步能够在原始数据上学习基本分类器G₁(x)

2. AdaBoost反复学习基本分类器，在每一轮m＝1,2,…,M顺次地执行下列操作：

1.使用当前分布Dm加权的训练数据集，学习基本分类器Gm(x)。

2.计算基本分类器G_m(x)在加权训练数据集上的分类误差率：

这里，w_mi表示第m轮中第i个实例的权值.

这表明，G_m(x)在加权的训练数据集上的分类误差率是被G_m(x)误分类样本的权值之和，

由此可以看出数据权值分布D_m与基本分类器G_m(x)的分类误差率的关系

3. 计算基本分类器G_m(x)的系数am。am表示G_m(x)在最终分类器中的重要性。

当e_m≤1/2时，a_m≥0，并且a_m随着e_m的减小而增大，

所以分类误差率越小的基本分类器在最终分类器中的作用越大。

4.更新训练数据的权值分布为下一轮作准备

被基本分类器Gm(x)误分类样本的权值得以扩大，而被正确分类样本的权值却得以缩小

误分类样本在下一轮学习中起更大的作用。

不改变所给的训练数据，而不断改变训练数据权值的分布，使得训练数据在基本分类器的学习中起不同的作用

1. 线性组合f(x)实现M个基本分类器的加权表决。

?

AdaBoost的例子

弱分类器由x<v或x>v产生, 其阈值v使该分类器在训练数据集上分类误差率最低.

初始化数据权值分布

对于m＝1

在权值分布为D₁的训练数据上，阈值v取2.5时分类误差率最低，故基本分类器为

G₁(x)在训练数据集上的误差率e₁＝P(G₁(x_i)≠y_i)＝0.3。

计算G₁(x)的系数：

更新训练数据的权值分布：

分类器sign[f₁(x)]在训练数据集上有3个误分类点。

对于m= 2

在权值分布为D₂的训练数据上，阈值v是8.5时分类误差率最低，基本分类器为

G₂(x)在训练数据集上的误差率e₂＝0.2143

计算a₂＝0.6496

更新训练数据权值分布:

分类器sign[f₂(x)]在训练数据集上有3个误分类点。

对于m = 3：

在权值分布为D₃的训练数据上，阈值v是5.5时分类误差率最低，基本分类器为

计算a₃＝0.7514

更新训练数据的权值分布

D₄＝(0.125,0.125,0.125,0.102,0.102,0.102,0.065,0.065,0.065,0.125)

得到：

?

?

AdaBoost算法的训练误差分析

AdaBoost算法最终分类器的训练误差界为：

这表明在此条件下AdaBoost的训练误差是以指数速率下降的

?

?

AdaBoost算法的解释

可以认为AdaBoost算法是

模型为加法模型

损失函数为指数函数

学习算法为前向分步算法

的二分类学习方法

?

加法模型

其中b(x；γ_m)为基函数的参数，β_m是基函数的系数。

如上式所示为一加法模型。

在给定训练数据及损失函数L(Y,f(X))的条件下，学习加法模型f(x)成为经验风险极小化即损失函数极小化问题：

前向分步算法（forward stagewise algorithm）求解这一优化问题的想法是

因为学习的是加法模型，如果能够从前向后，每一步只学习一个基函数及其系数，

逐步逼近优化目标函数式（8.14），那么就可以简化优化的复杂度。

就是优化如下函数：

初始化f₀(x)＝0，对m＝1,2,…,M，极小化损失函数

计算得到γ_m ，β_m

更新f_m

获得加法模型

?

前向分步算法与AdaBoost

由前向分步算法可以推导出AdaBoost

AdaBoost算法是前向分歩加法算法的特例。

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。

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

?

统计学习方法 AdaBoost

标签：

原文地址：http://www.cnblogs.com/LauenWang/p/4574079.html