(8)数据挖掘算法之AdaBoost
来源:互联网 发布:linux如何修改ip地址 编辑:程序博客网 时间:2024/05/17 00:52
1. 集成学习
集成学习(ensemble learning)通过组合多个基分类器(base classifier)来完成学习任务,颇有点“三个臭皮匠顶个诸葛亮”的意味。基分类器一般采用的是弱可学习(weakly learnable)分类器,通过集成学习,组合成一个强可学习(strongly learnable)分类器。所谓弱可学习,是指学习的正确率仅略优于随机猜测的多项式学习算法;强可学习指正确率较高的多项式学习算法。集成学习的泛化能力一般比单一的基分类器要好,这是因为大部分基分类器都分类错误的概率远低于单一基分类器的。
偏差与方差
“偏差-方差分解”(bias variance decomposition)是用来解释机器学习算法的泛化能力的一种重要工具。对于同一个算法,在不同训练集上学得结果可能不同。对于训练集
),则噪声为
学习算法的期望预测为
使用样本数相同的不同训练集所产生的方法
期望输入与真实类别的差别称为bias,则
为便于讨论,假定噪声的期望为0,即
,通过多项式展开,可对算法的期望泛化误差进行分解(详细的推导参看[2]):
也就是说,误差可以分解为3个部分:bias、variance、noise。bias度量了算法本身的拟合能力,刻画模型的准确性;variance度量了数据扰动所造成的影响,刻画模型的稳定性。为了取得较好的泛化能力,则需要充分拟合数据(bias小),并受数据扰动的影响小(variance小)。但是,bias与variance往往是不可兼得的:
- 当训练不足时,拟合能力不够强,数据扰动不足以产生较大的影响,此时bias主导了泛化错误率;
- 随着训练加深时,拟合能力随之加强,数据扰动渐渐被学习到,variance主导了泛化错误率。
Bagging与Boosting
集成学习需要解决两个问题:
- 如何调整输入训练数据的概率分布及权值;
- 如何训练与组合基分类器。
从上述问题的角度出发,集成学习分为两类流派:Bagging与Boosting。Bagging(Bootstrap Aggregating)对训练数据擦用自助采样(boostrap sampling),即有放回地采样数据;每一次的采样数据集训练出一个基分类器,经过
个基分类器,然后根据最大表决(majority vote)原则组合基分类器的分类结果。
Boosting的思路则是采用重赋权(re-weighting)法迭代地训练基分类器,即对每一轮的训练数据样本赋予一个权重,并且每一轮样本的权值分布依赖上一轮的分类结果;基分类器之间采用序列式的线性加权方式进行组合。
从“偏差-方差分解”的角度看,Bagging关注于降低variance,而Boosting则是降低bias;Boosting的基分类器是强相关的,并不能显著降低variance。Bagging与Boosting有分属于自己流派的两大杀器:Random Forests(RF)和Gradient Boosting Decision Tree(GBDT)。本文所要讲的AdaBoost属于Boosting流派。
2. AdaBoost算法
AdaBoost是由Freund与Schapire [1] 提出来解决二分类问题
,其定义损失函数为指数损失函数:
根据加型模型(additive model),第
轮的分类函数
其中,
其中,
其中,
为规范化因子
则得到最终分类器
时,即基分类器不满足弱可学习的条件(比随机猜测好),则应该停止迭代。具体算法流程如下:
% Initialize the weight distribution1
2 for
3 learn base classifier
4 if
5 update
;
6 end for
在算法第4步,学习过程有可能停止,导致学习不充分而泛化能力较差。因此,可采用“重采样”(re-sampling)避免训练过程过早停止;即抛弃当前不满足条件的基分类器,基于重新采样的数据训练分类器,从而获得学习“重启动”机会。
AdaBoost能够自适应(addaptive)地调整样本的权值分布,将分错的样本的权重设高、分对的样本的权重设低;所以被称为“Adaptive Boosting”。sklearn的AdaBoostClassifier实现了AdaBoost,默认的基分类器是能fit()
带权值样本的DecisionTreeClassifier。
老师木在微博上提出了关于AdaBoost的三个问题:
1,adaboost不易过拟合的神话。2,adaboost人脸检测器好用的本质原因,3,真的要求每个弱分类器准确率不低于50%
3. 参考资料
[1] Freund, Yoav, and Robert E. Schapire. "A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting." Journal of Computer and System Sciences 55.1 (1997): 119-139.
[2] 李航,《统计学习方法》.
[3] 周志华,《机器学习》.
[4] Pang-Ning Tan, Michael Steinbach, Vipin Kumar, Introduction to Data Mining.
[5] Ji Zhu, Classification.
[6] @龙星镖局,机器学习刀光剑影之 屠龙刀.
[7] 过拟合, 为什么说bagging是减少variance,而boosting是减少bias?
- (8)数据挖掘算法之AdaBoost
- 数据挖掘之adaboost算法
- 数据挖掘之AdaBoost算法
- 数据挖掘回顾六:分类算法之 AdaBoost 集成算法
- 数据挖掘十大经典算法之AdaBoost
- 自学数据挖掘十大算法之AdaBoost
- 数据挖掘算法学习(八)Adaboost算法
- 数据挖掘算法学习(八)Adaboost算法
- 数据挖掘算法总结-adaboost算法
- 数据挖掘经典算法--adaboost算法
- 数据挖掘中的几个算法—adaboost
- 数据挖掘之Adaboost学习笔记
- 数据挖掘十大经典算法学习之Adaboost自适应增强学习算法
- 数据挖掘十大经典算法学习之Adaboost自适应增强学习算法
- 数据挖掘AdaBoost
- 数据挖掘十大经典算法 <一> :Adaboost算法
- 数据挖掘十大算法--浅谈Adaboost算法
- 数据挖掘十大经典算法(7) AdaBoost
- 中位数
- 读取键盘的方向键
- vue-router
- mysql最大值,最小值,总和查询与计数查询
- Android网络防火墙
- (8)数据挖掘算法之AdaBoost
- vue2 router 动态传参,多个参数
- 数据库范式1NF 2NF 3NF BCNF 4NF 5NF
- Unity 3D学习日记(1)
- 贝叶斯方法
- 为什么要使用虚函数和 指针(或是引用)才能实现多态?
- 对象是什么?
- PCA的数学原理(强推)!!!!
- C++继承与派生