Adaboost分类器
2019-08-31
非集成的机器学习算法就像古代皇帝一样，一个人说了算；集成学习算法类似于现在的国会，需要听取在会所有人的意见。
Adaboost是一个集成学习算法，下面将会对算法进行拆解，以使我们明白Adaboost的内部原理。
Adboost算法核心内容可以划分为两个问题：
（1）如何构建弱分类器；
（2）如何组合这些弱分类器。
其中（1）又可以细化为：
1）使用哪种模型作为弱分类器的主算法？SVM还是DecisionTree，又或者是LogisticRegression；
2）如何使用原始数据？全部使用还是随机抽取又或者是分批使用；
3）到底应该训练出多少个弱分类器？
解决完这些问题，整个Adaboost算法就非常清晰了。
1.构建弱分类器
1.1 弱分类器的主算法
这个由设计者自己选择，Adboost算法不强制规定选择那种算法作为弱分类器的主算法。
1.2 原始数据集的使用
Adaboost算法会使用全部的训练集来训练弱分类器，并不会进行类似于随机抽取或者分批的操作；但是Adaboost会给每个训练数据添加一个权重系数。
目前只需要直到Adboost算法使用全部的训练集训练模型，并为每个数据增加了一个权重系数这两点就可以了。
1.3 弱分类器的个数
这个Adaboost算法中也没有强制规定，开发人员可以自己规定弱分类器个数，或者自己设置停止迭代的条件。
1.4 弱分类器训练过程
假设总训练集为D，训练集的样本个数为N，最多训练M个弱分类器；
m代表正准备训练的分类器的编号；
$W_{i}$表示第i个弱分类器的权重列表，$W_{i,j}$代表第i个弱分类器的第j个数据的权值，i，j都从0开始计
在这些条件下，弱分类器的训练过程如下：
1）初始化权重系数W并初始化m=0；
$W_{0,j} = frac{1}{N}\, \, \, \, \, \, \, \, \, jin [0,1,2cdots N-1]$
2）若m大于M-1，停止弱分类器训练，准备组合弱分类器；
3）否则使用带权重的训练数据训练弱分类器，得到弱分类器$G_{m}(x)$；
4）计算弱分类器$G_{m}(x)$在训练集上的错误率：
$widehat{y}_{m}=G_{m}(x)$
$varepsilon _{m}=W_{m}cdot (widehat{y}_{m} eq y)$
5)计算相关系数：
$alpha_{m}=0.5logfrac{1-varepsilon _{m}}{varepsilon _{m}}$
6）更新权重：
$W_{m+1}=W_{m} imes exp(-alpha_{m} imes widehat{y} imes y)$
归一化权重
$W_{m+1}=W_{m+1}/(sum W_{m+1,j}\,\,)$
7)令$m = m+1$,查是否达到迭代终止条件，否的话跳到第2）步继续；
8）达到条件的话终止迭代，准备组合弱分类器。
2.组合弱分类器
这个时候上一节中求的相关系数就用上了，最终的强分类器$F(x)$:
$F(x)=sum_{i=0}^{M-1}alpha_{i}G_{i}(X)$
当$F(x)>0$，预测为正