from numpy import *
import matplotlib.pyplot as plt
# 加载数据集
def loadDataSet(fileName):
numFeat = len(open(fileName).readline().split('\t'))
dataMat = []
labelMat = []
fr = open(fileName)
for line in fr.readlines():
lineArr = []
curLine = line.strip().split('\t')
for i in range(numFeat - 1):
lineArr.append(float(curLine[i]))
dataMat.append(lineArr)
labelMat.append(float(curLine[-1]))
return dataMat, labelMat
# 返回分类预测结果 根据阈值所以有两种返回情况
def stumpClassify(dataMatrix, dimen, threshVal, threshIneq):
retArray = ones((shape(dataMatrix)[0], 1))
if threshIneq == 'lt':
retArray[dataMatrix[:, dimen] = threshVal] = -1.0
else:
retArray[dataMatrix[:, dimen] > threshVal] = -1.0
return retArray
# 返回 该弱分类器单层决策树的信息 更新D向量的错误率 更新D向量的预测目标
def buildStump(dataArr, classLabels, D):
dataMatrix = mat(dataArr)
labelMat = mat(classLabels).T
m, n = shape(dataMatrix)
numSteps = 10.0
bestStump = {} # 字典用于保存每个分类器信息
bestClasEst = mat(zeros((m, 1)))
minError = inf # 初始化最小误差最大
for i in range(n): # 特征循环 (三层循环,遍历所有的可能性)
rangeMin = dataMatrix[:, i].min()
rangeMax = dataMatrix[:, i].max()
stepSize = (rangeMax - rangeMin) / numSteps # (大-小)/分割数 得到最小值到最大值需要的每一段距离
for j in range(-1, int(numSteps) + 1): # 遍历步长 最小值到最大值的需要次数
for inequal in ['lt', 'gt']: # 在大于和小于之间切换
threshVal = (rangeMin + float(j) * stepSize) # 最小值+次数*步长 每一次从最小值走的长度
predictedVals = stumpClassify(dataMatrix, i, threshVal,
inequal) # 最优预测目标值 用于与目标值比较得到误差
errArr = mat(ones((m, 1)))
errArr[predictedVals == labelMat] = 0
weightedError = D.T * errArr
if weightedError minError: # 选出最小错误的那个特征
minError = weightedError # 最小误差 后面用来更新D权值的
bestClasEst = predictedVals.copy() # 最优预测值
bestStump['dim'] = i # 特征
bestStump['thresh'] = threshVal # 到最小值的距离 (得到最优预测值的那个距离)
bestStump['ineq'] = inequal # 大于还是小于 最优距离为-1
return bestStump, minError, bestClasEst
# 循环构建numIt个弱分类器
def adaBoostTrainDS(dataArr, classLabels, numIt=40):
weakClassArr = [] # 保存弱分类器数组
m = shape(dataArr)[0]
D = mat(ones((m, 1)) / m) # D向量 每条样本所对应的一个权重
aggClassEst = mat(zeros((m, 1))) # 统计类别估计累积值
for i in range(numIt):
bestStump, error, classEst = buildStump(dataArr, classLabels, D)
alpha = float(0.5 * log((1.0 - error) / max(error, 1e-16)))
bestStump['alpha'] = alpha
weakClassArr.append(bestStump) # 加入单层决策树
# 得到运算公式中的向量+/-α,预测正确为-α,错误则+α。每条样本一个α
# multiply对应位置相乘 这里很聪明,用-1*真实目标值*预测值,实现了错误分类则-,正确则+
expon = multiply(-1 * alpha * mat(classLabels).T, classEst)
D = multiply(D, exp(expon)) # 这三步为更新概率分布D向量 拆分开来了,每一步与公式相同
D = D / D.sum()
# 计算停止条件错误率=0 以及计算每次的aggClassEst类别估计累计值
aggClassEst += alpha * classEst
# 很聪明的计算方法 计算得到错误的个数,向量中为1则错误值
aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T, ones((m, 1))) # sign返回数值的正负符号,以1、-1表示
errorRate = aggErrors.sum() / m # 错误个数/总个数
# print("错误率:", errorRate)
if errorRate == 0.0:
break
return weakClassArr, aggClassEst
# 预测 累加 多个弱分类器获得预测值*该alpha 得到结果
def adaClassify(datToClass, classifierArr): # classifierArr是元组,所以在取值时需要注意
dataMatrix = mat(datToClass)
m = shape(dataMatrix)[0]
aggClassEst = mat(zeros((m, 1)))
# 循环所有弱分类器
for i in range(len(classifierArr[0])):
# 获得预测结果
classEst = stumpClassify(dataMatrix, classifierArr[0][i]['dim'], classifierArr[0][i]['thresh'],
classifierArr[0][i]['ineq'])
# 该分类器α*预测结果 用于累加得到最终的正负判断条件
aggClassEst += classifierArr[0][i]['alpha'] * classEst # 这里就是集合所有弱分类器的意见,得到最终的意见
return sign(aggClassEst) # 提取数据符号
# ROC曲线,类别累计值、目标标签
def plotROC(predStrengths, classLabels):
cur = (1.0, 1.0) # 每次画线的起点游标点
ySum = 0.0 # 用于计算AUC的值 矩形面积的高度累计值
numPosClas = sum(array(classLabels) == 1.0) # 所有真实正例 确定了在y坐标轴上的步进数目
yStep = 1 / float(numPosClas) # 1/所有真实正例 y轴上的步长
xStep = 1 / float(len(classLabels) - numPosClas) # 1/所有真实反例 x轴上的步长
sortedIndicies = predStrengths.argsort() # 获得累计值向量从小到大排序的下表index [50,88,2,71...]
fig = plt.figure()
fig.clf()
ax = plt.subplot(111)
# 循环所有的累计值 从小到大
for index in sortedIndicies.tolist()[0]:
if classLabels[index] == 1.0:
delX = 0 # 若为一个真正例,则沿y降一个步长,即不断降低真阳率;
delY = yStep # 若为一个非真正例,则沿x退一个步长,尖笑阳率
else:
delX = xStep
delY = 0
ySum += cur[1] # 向下移动一次,则累计一个高度。宽度不变,我们只计算高度
ax.plot([cur[0], cur[0] - delX], [cur[1], cur[1] - delY], c='b') # 始终会有一个点是没有改变的
cur = (cur[0] - delX, cur[1] - delY)
ax.plot([0, 1], [0, 1], 'b--')
plt.xlabel('False positive rate')
plt.ylabel('True positive rate')
plt.title('ROC curve for AdaBoost horse colic detection system')
ax.axis([0, 1, 0, 1])
plt.show()
print("the Area Under the Curve is: ", ySum * xStep) # AUC面积我们以 高*低 的矩形来计算
# 测试正确率
datArr, labelArr = loadDataSet('horseColicTraining2.txt')
classifierArr = adaBoostTrainDS(datArr, labelArr, 15)
testArr, testLabelArr = loadDataSet('horseColicTest2.txt')
prediction10 = adaClassify(testArr, classifierArr)
errArr = mat(ones((67, 1))) # 一共有67个样本
cnt = errArr[prediction10 != mat(testLabelArr).T].sum()
print(cnt / 67)
# 画出ROC曲线
datArr, labelArr = loadDataSet('horseColicTraining2.txt')
classifierArray, aggClassEst = adaBoostTrainDS(datArr, labelArr, 10)
plotROC(aggClassEst.T, labelArr)
在实际训练过程中可能存在正负样本失衡的问题,分类器会过于关注大容量样本,导致分类器不能较好地完成区分小样本的目的。此时可以适度增大小样本的权重使重心达到平衡。在实际训练中还会出现困难样本权重过高而发生过拟合的问题,因此有必要设置困难样本分类的权值上限。
AdaBoost算法由于其多次迭代训练分类器的原因,训练时间一般会比别的分类器长。对此一般可以采用实现AdaBoost的并行计算或者训练过程中动态剔除掉权重偏小的样本以加速训练过程。
除了以上算法外,AdaBoost还可以考虑与其它算法结合产生新的算法,如在训练过程中使用SVM算法加速挑选简单分类器来替代原始AdaBoost中的穷举法挑选简单的分类器。
到此这篇关于Python机器学习之AdaBoost算法的文章就介绍到这了,更多相关Python AdaBoost算法内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!