当前位置：首页 > news >正文

AdaBoost 算法：理解、实现和掌握 AdaBoost

news 2025/12/17 5:32:14

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

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。