- 签证留学 |
- 笔译 |
- 口译
- 求职 |
- 日/韩语 |
- 德语
示例:在一个难数据集上的AdaBoost应用
(1) 收集数据:提供的文本文件。
(2) 准备数据:确保类别标签是+1和-1而非1和0。
(3) 分析数据:手工检查数据。
(4) 训练算法:在数据上,利用adaBoostTrainDS()函数训练出一系列的分类器。
(5) 测试算法:我们拥有两个数据集。在不采用随机抽样的方法下,我们就会对AdaBoost和Logistic回归的结果进行完全对等的比较。
(6) 使用算法:观察该例子上的错误率。不过,也可以构建一个Web网站,让驯马师输入马的症状然后预测马是否会死去。
在使用上述程序清单中的代码之前,必须要有向文件中加载数据的方法。一个常见的loadDataset()的程序如下所示。
程序清单1-1自适应数据加载函数
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
之前,读者可能多次见过了上述程序清单中的1oadDataset()函数。在这里,并不必指定每个文件中的特征数目,所以这里的函数与前面的稍有不同。该函数能够自动检测出特征的数目。同时,该函数也假定最后一个特征是类别标签。
将上述代码添加到adaboost.py文件中并且将其保存之后,就可以输人如下命令来使用上述函数:
>>> datArr, labelArr = adaboost.loadDataSet('horseColicTraining2.txt')
>>> classifierArray = adaboost .adaBoostTrainDS(datArr,labelArr,10)
total error: 0.284280936455
total error: 0.284280936455
total error: 0.230769230769
>>> testArr,testLabelArr = adaboost.loadDataSet ('horseColicTest2.txt')
>>> prediction10 = adaboost.adaClassify(testArr,classifierArray)
To get the number of misclassified examples type in:
>>> errArr=mat (ones((67,1)))
>>> errArr [prediction10!=mat (testLabelArr).T].sum()
16.0
要得到错误率,只需将上述错分样例的个数除以67即可。
将弱分类器的数目设定为1到10000之间的几个不同数字,并运行上述过程。这时,得到的结果就会如表1所示。在该数据集上得到的错误率相当低。我们在同一数据集上采用Logistic回归得到的平均错误率为0.35。而采用AdaBoost,得到的错误率就永远不会那么高了。从表中可以看出,我们仅仅使用50个弱分类器,就达到了较高的性能。
表1不同弱分类器数目情况下的AdaBoost测试和分类错误率。该数据集是个难数据集。通常情况下,AdaBoost会达到一个稳定的测试错误率,而并不会随分类器数目的增多而提高
观察表1中的测试错误率一栏,就会发现测试错误率在达到了一个最小值之后又开始上升了。这类现象称之为过拟合(overfitting,也称过学习)。有文献声称,对于表现好的数据集,AdaBoost的测试错误率就会达到一个稳定值,并不会随着分类器的增多而上升。或许在本例子中的数据集也称不上“表现好”。该数据集一开始有30%的缺失值,对于Logistic回归而言,这些缺失值的假设就是有效的,而对于决策树却可能并不合适。如果回到数据集,将所有的0值替换成其他值,或者给定类别的平均值,那么能否得到更好的性能?
很多人都认为,AdaBoost和SVM是监督机器学习中最强大的两种方法。实际上,这两者之间拥有不少相似之处。我们可以把弱分类器想象成SVM中的一个核函数,也可以按照最大化某个最小间隔的方式重写AdaBoost算法。而它们的不同就在于其所定义的间隔计算方式有所不同,因此导致的结果也不同。特别是在高维空间下,这两者之间的差异就会更加明显。
责任编辑:admin