写一点自己理解的AdaBoost,然后再贴上面试过程中被问到的相关问题。按照以下目录展开。
当然,也可以去我的博客上看
Boosting提升算法
AdaBoost是典型的Boosting算法,属于Boosting家族的一员。在说AdaBoost之前,先说说Boosting提升算法。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:
FM(x;P)=∑m=1nβmh(x;am)
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:
Fm(x)=Fm−1(x)+βmhm(x;am)
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
原理理解
基于Boosting的理解,对于AdaBoost,我们要搞清楚两点:
- 每一次迭代的弱学习h(x;am)有何不一样,如何学习?
- 弱分类器权值βm如何确定?
对于第一个问题,AdaBoost改变了训练数据的权值,也就是样本的概率分布,其思想是将关注点放在被错误分类的样本上,减小上一轮被正确分类的样本权值,提高那些被错误分类的样本权值。然后,再根据所采用的一些基本机器学习算法进行学习,比如逻辑回归。
对于第二个问题,AdaBoost采用加权多数表决的方法,加大分类误差率小的弱分类器的权重,减小分类误差率大的弱分类器的权重。这个很好理解,正确率高分得好的弱分类器在强分类器中当然应该有较大的发言权。
实例
为了加深理解,我们来举一个例子。
有如下的训练样本,我们需要构建强分类器对其进行分类。x是特征,y是标签。
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
x |
0 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
y |
1 |
1 |
1 |
-1 |
-1 |
-1 |
1 |
1 |
1 |
-1 |
令权值分布D1=(w1,1,w1,2,…,w1,10)
并假设一开始的权值分布是均匀分布:w1,i=0.1,i=1,2,…,10
现在开始训练第一个弱分类器。我们发现阈值取2.5时分类误差率最低,得到弱分类器为:
当然,也可以用别的弱分类器,只要误差率最低即可。这里为了方便,用了分段函数。得到了分类误差率e1=0.3。
第二步计算(G1(x)在强分类器中的系数α1=12log1−e1e1=0.4236,这个公式先放在这里,下面再做推导。
第三步更新样本的权值分布,用于下一轮迭代训练。由公式:
w2,i=w1,iz1exp(−α1yiG1(xi)),i=1,2,…,10
得到新的权值分布,从各0.1变成了:
D2=(0.0715,0.0715,0.0715,0.0715,0.0715,0.0715,0.1666,0.1666,0.1666,0.0715)
可以看出,被分类正确的样本权值减小了,被错误分类的样本权值提高了。
第四步得到第一轮迭代的强分类器:
sign(F1(x))=sign(0.4236G1(x))
以此类推,经过第二轮……第N轮,迭代多次直至得到最终的强分类器。迭代范围可以自己定义,比如限定收敛阈值,分类误差率小于某一个值就停止迭代,比如限定迭代次数,迭代1000次停止。这里数据简单,在第3轮迭代时,得到强分类器:
sign(F3(x))=sign(0.4236G1(x)+0.6496G2(x)+0.7514G3(x)) 的分类误差率为0,结束迭代。
F(x)=sign(F3(x))就是最终的强分类器。
算法流程
总结一下,得到AdaBoost的算法流程:
- 输入:训练数据集T={(x1,y1),(x2,y2),(xN,yN)},其中,xi∈X⊆Rn,yi∈Y=−1,1,迭代次数M
- 1. 初始化训练样本的权值分布:D1=(w1,1,w1,2,…,w1,i),w1,i=1N,i=1,2,…,N。
- 2. 对于m=1,2,…,M
- (a) 使用具有权值分布Dm的训练数据集进行学习,得到弱分类器Gm(x)
- (b) 计算Gm(x)在训练数据集上的分类误差率:
em=∑i=1Nwm,iI(Gm(xi)≠yi)
- (c) 计算Gm(x)在强分类器中所占的权重:
αm=12log1−emem
- (d) 更新训练数据集的权值分布(这里,zm是归一化因子,为了使样本的概率分布和为1):
wm+1,i=wm,izmexp(−αmyiGm(xi)),i=1,2,…,10
zm=∑i=1Nwm,iexp(−αmyiGm(xi))
F(x)=sign(∑i=1NαmGm(x))
公式推导
现在我们来搞清楚上述公式是怎么来的。
假设已经经过m−1轮迭代,得到Fm−1(x),根据前向分步,我们可以得到:
Fm(x)=Fm−1(x)+αmGm(x)
我们已经知道AdaBoost是采用指数损失,由此可以得到损失函数:
Loss=∑i=1Nexp(−yiFm(xi))=∑i=1Nexp(−yi(Fm−1(xi)+αmGm(xi)))
这时候,Fm−1(x)是已知的,可以作为常量移到前面去:
Loss=∑i=1Nwm,i˜exp(−yiαmGm(xi)) 其中,wm,i˜=exp(−yi(Fm−1(x))) ,敲黑板!这个就是每轮迭代的样本权重!依赖于前一轮的迭代重分配。
是不是觉得还不够像?那就再化简一下:
wm,i˜=exp(−yi(Fm−1(xi)+αm−1Gm−1(xi)))=wm−1,i˜exp(−yiαm−1Gm−1(xi))
现在够像了吧?ok,我们继续化简Loss:
Loss=∑yi=Gm(xi)wm,i˜exp(−αm)+∑yi≠Gm(xi)wm,i˜exp(αm)
=∑i=1Nwm,i˜(∑yi=Gm(xi)wm,i˜∑Ni=1wm,i˜exp(−αm)+∑yi≠Gm(xi)wm,i˜∑Ni=1wm,i˜exp(αm))
公式变形之后,炒鸡激动!∑yi≠Gm(xi)wm,i˜∑Ni=1wm,i˜这个不就是分类误差率em吗???!重写一下,
Loss=∑i=1Nwm,i˜exp(−αm)+emexp(αm))
Ok,这样我们就得到了化简之后的损失函数。接下来就是求导了。
对αm求偏导,令∂Loss∂αm=0得到:
αm=12log1−emem
真漂亮!
另外,AdaBoost的代码实战与详解请戳代码实战之AdaBoost
面经
今年8月开始找工作,参加大厂面试问到的相关问题有如下几点:
- 手推AdaBoost
- 与GBDT比较
- AdaBoost几种基本机器学习算法哪个抗噪能力最强,哪个对重采样不敏感?
作者 Scorpio.Lu 转载请注明出处!
|