做淘宝优惠券推广网站,哈尔滨网络开发,免费注册公司的套路,网站建设洽谈一、介绍 Boosting 是一种集成建模技术#xff0c;由 Freund 和 Schapire 于 1997 年首次提出。从那时起#xff0c;Boosting 就成为解决二元分类问题的流行技术。这些算法通过将大量弱学习器转换为强学习器来提高预测能力 。 Boosting 算法背后的原理是#xff0c;我们首先… 一、介绍 Boosting 是一种集成建模技术由 Freund 和 Schapire 于 1997 年首次提出。从那时起Boosting 就成为解决二元分类问题的流行技术。这些算法通过将大量弱学习器转换为强学习器来提高预测能力 。 Boosting 算法背后的原理是我们首先在训练数据集上构建一个模型然后构建第二个模型来纠正第一个模型中存在的错误。继续此过程直到且除非错误被最小化并且数据集被正确预测。Boosting 算法以类似的方式工作它结合多个模型弱学习器来达到最终输出强学习器。 学习目标 了解 AdaBoost 算法是什么及其工作原理。了解什么是树桩。了解增强算法如何帮助提高 ML 模型的准确性。 本文作为数据科学博客马拉松的一部分发表 目录 介绍什么是 AdaBoost 算法了解 AdaBoost 算法的工作原理 第 1 步分配权重第 2 步对样本进行分类步骤 3计算影响力第 4 步计算 TE 和性能第 5 步减少错误第 6 步新数据集第 7 步重复前面的步骤结论经常问的问题 二、什么是 AdaBoost 算法 有许多机器学习算法可供选择用于您的问题陈述。其中一种用于预测建模的算法称为 AdaBoost。 AdaBoost 算法是 Adaptive Boosting 的缩写是 一种在机器学习中用作集成方法的 Boosting 技术。它被称为自适应提升因为权重被重新分配给每个实例更高的权重分配给错误分类的实例。 该算法的作用是构建一个模型并为所有数据点赋予相同的权重。然后它为错误分类的点分配更高的权重。现在所有权重较高的点在下一个模型中都会变得更加重要。它将继续训练模型直到收到较低的错误为止。 让我们举个例子来理解这一点假设您在泰坦尼克号数据集上构建了一个决策树算法并且从那里您获得了 80% 的准确率。之后您应用不同的算法并检查准确性结果显示 KNN 为 75%线性回归为 70%。 当我们在同一数据集上构建不同的模型时我们发现准确性有所不同。但是如果我们使用所有这些算法的组合来做出最终预测呢通过取这些模型结果的平均值我们将获得更准确的结果。我们可以通过这种方式来提高预测能力。 如果您想直观地理解这一点我强烈建议您阅读这篇文章。 这里我们将更加关注数学直觉。 还有另一种集成学习算法称为梯度提升算法。在此算法中我们尝试减少误差而不是权重如 AdaBoost 中那样。但在本文中我们将仅关注 AdaBoost 的数学直觉。 三、了解 AdaBoost 算法的工作原理 让我们通过以下教程了解该算法的原理和工作原理。 第 1 步分配权重 下面显示的图像是我们数据集的实际表示。由于目标列是二元的因此这是一个分类问题。首先这些数据点将被分配一些权重。最初所有权重都是相等的。 样本权重的计算公式为 其中 N 是数据点的总数 这里由于我们有 5 个数据点因此分配的样本权重将为 1/5。 第 2 步对样本进行分类 我们首先查看“性别”对样本进行分类的效果如何然后查看变量年龄、收入如何对样本进行分类。 我们将为每个特征创建一个决策树桩然后计算每棵树的基尼指数。基尼指数最低的树将是我们的第一个树桩。 在我们的数据集中假设性别具有最低的基尼指数因此它将是我们的第一个树桩。 第 3 步计算影响力 现在我们将使用以下公式计算该分类器在对数据点进行分类时的“发言量”或“重要性”或“影响力” 总误差只不过是错误分类的数据点的所有样本权重的总和。 在我们的数据集中我们假设有 1 个错误的输出因此我们的总误差将为 1/5并且 alpha树桩的性能将为 注意总误差始终在 0 和 1 之间。 0 表示完美的树桩1 表示糟糕的树桩。 从上图中我们可以看到当没有错误分类时我们就没有错误Total Error 0因此“a amount of say (alpha)”将是一个很大的数字。 当分类器预测一半正确一半错误时则总误差 0.5并且分类器的重要性可以说将为 0。 如果所有样本都被错误分类那么错误将非常高大约为 1因此我们的 alpha 值将是负整数。 第 4 步计算 TE 和性能 您一定想知道为什么需要计算树桩的 TE 和性能。答案很简单我们需要更新权重因为如果将相同的权重应用于下一个模型那么收到的输出将与第一个模型中收到的输出相同。 错误的预测将被赋予更高的权重而正确的预测权重将被降低。现在当我们在更新权重后构建下一个模型时将更优先考虑权重较高的点。 在找到分类器的重要性和总误差后我们最终需要更新权重为此我们使用以下公式 当样本被正确分类时例如alpha的数量将为负。 当样本被错误分类时例如alpha的量将为正。 有 4 个正确分类的样本1 个错误分类的样本。这里 该数据点的样本权重是1/5性别树桩的发言/表现 量是0.69。 正确分类样本的新权重为 对于错误分类的样本更新后的权重为 笔记 当我输入值时请查看 alpha 的符号当数据点正确分类时alpha 为负这会将样本权重从 0.2 降低到 0.1004。当存在错误分类时为正这会将样本权重从 0.2 增加到 0.3988 我们知道样本权重的总和必须等于 1但是这里如果我们将所有新样本权重相加我们将得到 0.8004。为了使这个总和等于 1我们将所有权重除以更新权重的总和即 0.8004来标准化这些权重。因此对样本权重进行归一化后我们得到了这个数据集现在总和等于 1。 第 5 步减少错误 现在我们需要创建一个新的数据集来查看错误是否减少。为此我们将删除“样本权重”和“新样本权重”列然后根据“新样本权重”将数据点划分为多个桶。 第 6 步新数据集 我们快完成了。现在该算法所做的是从 0-1 中选择随机数。由于错误分类的记录具有较高的样本权重因此选择这些记录的概率非常高。 假设我们的算法采用的 5 个随机数是 0.38,0.26,0.98,0.40,0.55。 现在我们将看到这些随机数落在桶中的位置并根据它我们将制作如下所示的新数据集。 这是我们的新数据集我们看到错误分类的数据点已被选择 3 次因为它的权重较高。 第 7 步重复前面的步骤 现在这作为我们的新数据集我们需要重复上述所有步骤即 为所有数据点 分配相同的权重。通过查找基尼指数并选择基尼指数最低的树桩找到对新样本集合进行分类的最佳树桩。计算“Amount of Say”和“Total error”来更新之前的样本权重。 标准化新样本权重。 迭代这些步骤直到达到较低的训练误差。 假设对于我们的数据集我们按顺序构建了 3 个决策树DT1、DT2、DT3 。如果我们现在发送测试数据它将通过所有决策树最后我们将看到哪个类占多数并基于此我们将对 测试数据集进行预测。 四、结论 如果你理解了本文的每一行你就终于掌握了这个算法。 我们首先向您介绍什么是 Boosting 以及它的各种类型以确保您了解 Adaboost 分类器以及 AdaBoost 的准确位置。然后我们应用简单的数学并了解公式的每个部分是如何工作的。 在下一篇文章中我将解释梯度下降和极限梯度下降算法它们是一些更重要的增强预测能力的Boosting技术。 如果您想从头开始了解 AdaBoost 机器学习模型初学者的 Python 实现请访问Analytics vidhya 的完整指南。本文提到了bagging和boosting的区别以及AdaBoost算法的优缺点。 点 在本文中我们了解了 boosting 的工作原理。我们了解 adaboost 背后的数学原理。我们了解了如何使用弱学习器作为估计器来提高准确性。 五、常见的问题 Q1. AdaBoost 算法是有监督的还是无监督的 答Adaboost 属于机器学习的监督学习分支。这意味着训练数据必须有一个目标变量。使用adaboost学习技术我们可以解决分类和回归问题。 Q2。AdaBoost算法有哪些优点 答需要较少的预处理因为您不需要缩放自变量。AdaBoost 算法中的每次迭代都使用决策树桩作为单独的模型因此所需的预处理与决策树相同。AdaBoost 也不太容易出现过度拟合。除了增强弱学习器之外我们还可以微调这些集成技术中的超参数例如learning_rate以获得更好的准确性。 Q3。如何使用 AdaBoost 算法 答与随机森林、决策树、逻辑回归和支持向量机分类器非常相似AdaBoost 也要求训练数据具有目标变量。该目标变量可以是分类变量或连续变量。scikit-learn 库包含 Adaboost 分类器和回归器因此我们可以使用Python中的sklearn来创建adaboost模型。 本文中显示的关于使用 Bokeh 的交互式仪表板的媒体不属于 Analytics Vidhya 所有其使用由作者自行决定。
