Weka算法Classifier-meta-Bagging源码分析

Bagging部分比较简单，算法和代码放到一起写了。

一、Bagging算法

严格来看Bagging并不能算是一种分类算法，Bagging和Boosting一样，是一种组合基本分类器的方法，也就是使用多个基分类器来获取更为强大的分类器，其核心思想是有放回的抽样。

Bagging算法的训练流程：

1、从样本集中有放回的抽样M个样本。

2、用这M个样本训练基分类器C。

3、重复这个过程X次，得到若干个基分类器。

Bagging算法的预测流程：

1、对于新传入实例A，用这X个新分类器得到一个分类结果的列表。

2、若待分类属性是数值型（回归），求这个列表的算数平均值作为结果返回。

3、若待分类属性是枚举类型（分类），按这个列表对分类结果进行投票，返回票数最高的。

二、Weka代码实现

（1）基分类器

Weka中的默认基分类器使用的是REPTree，也就是Fast decision tree learner，至于这个具体是个什么，后面我再写文章进行分析。

 public Bagging() {    m_Classifier = new weka.classifiers.trees.REPTree();  }

（2）构建过程BuildClassifier

整个BuildClassifier都是围绕标m_CalcOutOfBag来展开的，这个m_CalcOutOfBag标识的意思是：是否计算OutofBag的错误比例。

假如我们对训练集M进行抽样，抽样的数量和M的数量是一样的，那么肯定会有一些样本并没有被抽到（为什么？因为是有放回的抽样），这个标识就是用来评测这些没抽到的样本的准确率，如果没有这个标，那么这个准确率到后面就不会被计算了。

if (m_CalcOutOfBag && (m_BagSizePercent != 100)) {      throw new IllegalArgumentException("Bag size needs to be 100% if "          + "out-of-bag error is to be calculated!");    }    int bagSize = data.numInstances() * m_BagSizePercent / 100;    Random random = new Random(m_Seed);    boolean[][] inBag = null;    if (m_CalcOutOfBag)      inBag = new boolean[m_Classifiers.length][];    for (int j = 0; j < m_Classifiers.length; j++) {      Instances bagData = null;      // create the in-bag dataset      if (m_CalcOutOfBag) {        inBag[j] = new boolean[data.numInstances()];        // bagData = resampleWithWeights(data, random, inBag[j]);        bagData = data.resampleWithWeights(random, inBag[j]);      } else {        bagData = data.resampleWithWeights(random);        if (bagSize < data.numInstances()) {          bagData.randomize(random);          Instances newBagData = new Instances(bagData, 0, bagSize);          bagData = newBagData;        }      }

这一部分是抽样，首先如果有m_CalcOutOfBag标，则必须要求抽样比例是100%。

其次算出要抽样的大小。

inBag数组是用来记录Instances中哪些样本被抽到了哪些没被抽到。

data.resampleWithWeight就是进行有放回的抽样。

      if (m_Classifier instanceof Randomizable) {        ((Randomizable) m_Classifiers[j]).setSeed(random.nextInt());      }      // build the classifier      m_Classifiers[j].buildClassifier(bagData);

接着是构建分类树的过程，调用具体classifier的buildClassifier方法。

最后是计算OutOfBag的过程，代码我已写注释。

if (getCalcOutOfBag()) { //如果有这个标就计算      double outOfBagCount = 0.0; //错误的权重和      double errorSum = 0.0;//错误的偏差值的和      boolean numeric = data.classAttribute().isNumeric();//是否是连续数值      for (int i = 0; i < data.numInstances(); i++) {        double vote;//代表投票结果        double[] votes;//代表投票        if (numeric)          votes = new double[1];//如果是数值，则取平均数，计算平均数的过程一个数组单元就够了        else          votes = new double[data.numClasses()];//否则则要进行投票        // determine predictions for instance        int voteCount = 0;        for (int j = 0; j < m_Classifiers.length; j++) {          if (inBag[j][i])            continue;//如果已经被采样，就忽略，因为要计算的是OutOfBag          voteCount++;//记录有多少样本被计算          if (numeric) {            votes[0] = m_Classifiers[j].classifyInstance(data.instance(i));//数值型则直接把预测结果累加          } else {

            double[] newProbs = m_Classifiers[j].distributionForInstance(data                .instance(i));            for (int k = 0; k < newProbs.length; k++) {              votes[k] += newProbs[k]; //枚举型则要把所有枚举概率进行累加            }          }        }        // "vote"        if (numeric) {          vote = votes[0];          if (voteCount > 0) {            vote /= voteCount; // 数值型取均值          }        } else {          if (Utils.eq(Utils.sum(votes), 0)) {          } else {            Utils.normalize(votes);//归一化          }          vote = Utils.maxIndex(votes); // 选出最大的index        }        outOfBagCount += data.instance(i).weight();//累加权重        if (numeric) {          errorSum += StrictMath.abs(vote - data.instance(i).classValue())              * data.instance(i).weight();//累加错误偏差        } else {          if (vote != data.instance(i).classValue())            errorSum += data.instance(i).weight();//如果是枚举就对出错进行计数        }      }      m_OutOfBagError = errorSum / outOfBagCount;//最后取个平均值    } else {      m_OutOfBagError = 0;//如果没有那个标就不计算了    }

三、根据权重进行无放回抽样的过程

也就是 data.resampleWithWeights(random, inBag[j]);这个方法，感觉看了一下还挺有意思的，就放上来剖析一下。

重载形式有3个，前两个都会调用第三个：

  public Instances resampleWithWeights(Random random, double[] weights) {    return resampleWithWeights(random, weights, null);  }

  public Instances resampleWithWeights(Random random, boolean[] sampled) {    double[] weights = new double[numInstances()];    for (int i = 0; i < weights.length; i++) {      weights[i] = instance(i).weight();    }    return resampleWithWeights(random, weights, sampled);  }

public Instances resampleWithWeights(Random random, double[] weights,    boolean[] sampled) {    if (weights.length != numInstances()) {      throw new IllegalArgumentException("weights.length != numInstances.");    }    Instances newData = new Instances(this, numInstances());    if (numInstances() == 0) {      return newData;    }    // Walker's method, see pp. 232 of "Stochastic Simulation" by B.D. Ripley    double[] P = new double[weights.length];    System.arraycopy(weights, 0, P, 0, weights.length);    Utils.normalize(P);    double[] Q = new double[weights.length];    int[] A = new int[weights.length];    int[] W = new int[weights.length];    int M = weights.length;    int NN = -1;    int NP = M;    for (int I = 0; I < M; I++) {      if (P[I] < 0) {        throw new IllegalArgumentException("Weights have to be positive.");      }      Q[I] = M * P[I];      if (Q[I] < 1.0) {        W[++NN] = I;      } else {        W[--NP] = I;      }    }    if (NN > -1 && NP < M) {      for (int S = 0; S < M - 1; S++) {        int I = W[S];        int J = W[NP];        A[I] = J;        Q[J] += Q[I] - 1.0;        if (Q[J] < 1.0) {          NP++;        }        if (NP >= M) {          break;        }      }      // A[W[M]] = W[M];    }    for (int I = 0; I < M; I++) {      Q[I] += I;    }    for (int i = 0; i < numInstances(); i++) {      int ALRV;      double U = M * random.nextDouble();      int I = (int) U;      if (U < Q[I]) {        ALRV = I;      } else {        ALRV = A[I];      }      newData.add(instance(ALRV));      if (sampled != null) {        sampled[ALRV] = true;      }      newData.instance(newData.numInstances() - 1).setWeight(1);    }    return newData;  }

这个所谓的

Walker's method, see pp. 232 of "Stochastic Simulation" by B.D. Ripley

我找了半天也不知道是个啥算法，代码也没啥注释，大体一看没看懂，等下次有机会再把这个函数的算法补上吧。