Bagging和Boosting的区别
1)样本选择上:
Bagging:训练集是在原始集中有放回选取的,从原始集中选出的各轮训练集之间是独立的.
Boosting:每一轮的训练集不变,只是训练集中每个样例在分类器中的权重发生变化.而权值是根据上一轮的分类结果进行调整.
2)样例权重:
Bagging:使用均匀取样,每个样例的权重相等
Boosting:根据错误率不断调整样例的权值,错误率越大则权重越大.
3)预测函数:
Bagging:所有预测函数的权重相等.
Boosting:每个弱分类器都有相应的权重,对于分类误差小的分类器会有更大的权重.
4)并行计算:
Bagging:各个预测函数可以并行生成
Boosting:各个预测函数只能顺序生成,因为后一个模型参数需要前一轮模型的结果
AdaBoost算法
算法1(AdaBoost)
输入:训练数据集
T={(x1,y1),(x2,y2),...,(xN,yN)}
,其中
xi∈χ⊆Rn
,
yi∈y={−1,+1}
;弱学习算法;
输出:最终分类器
G(x)
。
(1)初始化训练数据的权值分布
D1=(w11,...,w1i,...,w1N),w1i=1N,I=1,2,...,N
(2)对
m=1,2,...,M
(a)使用具有权值分布
Dm
的训练数据集学习,得到基本分类器
Gm(x):χ→{−1,+1}
(b)计算
Gm(x)
在训练数据集上的分类误差率
em=P(Gm(xi)≠yi)=∑i=1NwmiI(Gm(xi)≠yi)(1)
(c)计算
Gm(x)
的系数
αm=12log1−emem(2)
这里的对数是自然对数。
(d)更新训练数据集的权值分布
Dm+1=(wm+1,1,...,wm+1,i,wm+1,N)(3)
wm+1,i=wm,iZmexp(−αmyiGm(xi))(4)
这里,
Zm
是规划化因子
Zm=∑i=1Nwm,1exp(−αmyiGm(xi))(5)
它使
Dm+1
成为一个概率分布。
(3)构建基本分类器的线性组合
f(x)=∑m=1MαmGm(x)(6)
得到最终分类器
G(x)=sign(f(x))=sign(∑m=1MαmGm(x))(7)
定理8.1 (AdaBoost的训练误差界) AdaBoost算法最终分类器的训练误差界为
1N∑i=1NI(G(xi)≠yi)≤1N∑iexp(−yif(xi))=∏mZm(9)
这里,
G(x),f(x)
和
Zm
分别由式(7),(6),(5)给出。
前向分布算法
算法2(前向分布算法)
输入:训练数据集
T={(x1,y1),(x2,y2),...,(xN,yN)}
;损失函数
L(y,f(x))
;基函数集
b(x;γ)
;
输出:加法模型
f(x)
(1)初始化
f0(x)=0
(2)对
m=1,2,...,M
(a)极小化损失函数
(βm,γm)=argminβ,γ∑i=1NL(yi,fm−1(xi)+βb(xi;γ))(10)
得到参数
βm,γm
(b)更新
fm(x)=fm−1(x)+βmb(x;γm)(11)
(3)得到加法模型
f(x)=fM(x)=∑m=1Mβmb(x;γm)(12)
这样,前向分步算法将同时求解从
m=1
到
M
所有参数
βm,γm
的优化问题简化为逐次求解各个
βm,γm
的优化问题.
提升树
提升树是以分类树或回归树为基本分类器的提升方法。
提升树模型
提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boosting tree)。对分类问题决策树是二叉分类树,对回归问题决策树是二叉回归树。提升树模型可以表示为决策树的加法模型:
fM(x)=∑m=1MT(x;Θm)(13)
其中,
T(x;Θm)
表示决策树;
Θm
为决策树的参数;
M
为树的个数。
算法3 (回归问题的提升树算法)
输入:训练数据集
T={(x1,y1),(x2,y2),...,(xN,yN)}
,其中
xi∈χ⊆Rn
,
yi∈y⊆R
;
输出:提升树
fM(x)
(1)初始化
f0(x)=0
(2)对
m=1,2,...,M
(a)计算残差
rmi=yi−fm−1(xi),i=1,2,...,N
(b)拟合残差
rmi
学习一个回归树,得到
T(x,Θm)
(c)更新
fm(x)=fm−1(x)+T(x;Θm)
(3)得到回归问题提升树
fM(x)=∑m=1MT(x;Θm)
梯度提升
提升树利用加法模型与前向分步算法实现学习的优化过程。当损失函数是平方损失和指数损失函数时,每一步优化是很简单的,但对于一般损失函数而言,可以利用梯度提升算法(gradient boosting)。这是利用最速下降法的近似方法,其关键是利用损失函数的负梯度在当前模型的值
−[∂L(y,f(xi))∂f(xi)]f(x)=fm−1(x)
作为回归问题提升树算法中的残差的近似值,拟合一个回归树。
算法4(梯度提升算法)
输入:训练数据集
T={(x1,y1),(x2,y2),...,(xN,yN)}
,其中
xi∈χ⊆Rn
,
yi∈y⊆R
;损失函数L(y,f(x));
输出:回归树
f^(x)
.
(1) 初始化
f0(x)=argminc∑i=1NL(yi,c)
(2)对
m=1,2,...,M
(a)对
i=1,2,...,N
,计算
rmi=−[∂L(y,f(xi))∂f(xi)]f(x)=fm−1(x)
(b)对
rmi
拟合一个回归树,得到第
m
颗树的叶结点区域
Rmj,j=1,2,...,J
(c)对
j=1,2,...,J
,计算
cmj=argminc∑xi∈RmjL(yi,fm−1(xi)+c)
(d)更新
fm(x)=fm−1(x)+∑Jj=1cmjI(X∈Rmj)
(3)得到回归树
f^(x)=fM(x)=∑m=1M∑j=1JcmjI(X∈Rmj)
算法第1步初始化,估计使损失函数极小化的常数值,它是只有一个根结点的树。第2(a)步计算损失函数的负梯度在当前模型的值,将它作为残差的估计。对于平方损失函数,它就是通常所说的残差;对于一般损失函数,它就是残差的近似值。第2(b)估计回归树叶结点区域,以拟合残差的近似值。第2(c)步更新回归树。第3步得到输出的最终模型
f^(x)