Adaboost的python实现

标签：大于   估计   style   函数   pen   exp   类信息   误差   class类   

不要总是掉包欧，真的丢人啊，一起码起来！

‘‘‘
函数的功能：单层决策树分类函数
参数说明：
        xMat：数据矩阵
        i：第i列，第几个特征
        Q：阈值
返回分类结果：
        re
‘‘‘
import numpy as np
import pandas as pd

def classify0(xMat,i,Q,S):
    re = np.ones((xMat.shape[0],1))
    if S == ‘lt‘:
        re[xMat[:,i]<= Q] = -1
    else:
        re[xMat[:, i] >Q] = -1
    return re

‘‘‘
函数功能：找到数据集上最佳的单层决策树
xMat：特征矩阵
yMat：标签矩阵
D：样本权重
返回：
beststump：最佳单层决策树信息
minE：最小误差
bestClas：最佳的分类结果
‘‘‘
def get_Stump(xMat,yMat,D):
    m,n = xMat.shape   #m为样本数，n为特征数
    Steps = 10    #初始化一个步长
    bestStump = {}   #用字典的形式存储树桩信息
    bestClas = np.mat(np.zeros((m,1)))  #初始化分类结果为1
    minE = np.Inf
    for i in range(-1,n): #遍历所有特征
        Min = xMat[:,i].min()  #找到特征中最小的值
        Max = xMat[:,i].max()   #找到特征中最大的值
        stepSize = (Max-Min)/Steps   #计算步长
        for j in range(-1,int(Steps)+1):    #
            for S in [‘lt‘,‘gt‘]:   #大于或者小于的情况下
                Q = (Min+j*stepSize)   #计算阈值
                re = classify0(xMat,i,Q,S)  #计算分类结果
                err = np.mat(np.ones((m,1)))
                err[re==yMat]=0   #分类正确的赋值为0
                eca = D.T*err   #计算误差
                if eca<minE:  #找到误差最小的分类方式
                    minE = eca
                    bestClas = re.copy()
                    bestStump[‘特征列‘]=i
                    bestStump[‘阈值‘] = Q
                    bestStump[‘标志‘] = S
        return bestStump,minE,bestClas
xMat = np.matrix([[1,2.1],[1.5,1.6],[1.3,1],[1,1],[2,1]])
yMat = np.matrix([[1],[1],[-1],[-1],[1]])
#print(yMat.shape)
m = xMat.shape[0]
D = np.mat(np.ones((m,1))/m)
bestStump,minE,bestClas = get_Stump(xMat,yMat,D)
#print(bestStump)
#print(minE)
#print(bestClas)
‘‘‘
函数功能：
maxC为最大迭代次数
weakClass弱分类信息
aggClass类别估计值
‘‘‘
def adaboost(xMat,yMat,maxC=4):
    weakClass = []
    m = xMat.shape[0]
    D = np.mat(np.ones((m,1))/m)   #初始化权重
    aggClass = np.mat(np.zeros((m,1)))
    for i in range(maxC):
        Stump,error,bestClas = get_Stump(xMat,yMat,D)  #构建单层分类器
        alpha = float(0.5*np.log((1-error)/max(error,1e-6)))  #计算弱分类器的权重衰减  max(error,1e-6)让坟墓不等于0
        Stump[‘alpha‘] = np.round(alpha,2)  #存储弱学习算法的权重，保留两位小数
        weakClass.append(Stump)    #存储单层决策树
        expon = np.multiply(-1*alpha*yMat,bestClas)
        D = np.multiply(D,np.exp(expon))
        D = D/D.sum()      #更新样本权重
        aggClass+= alpha+bestClas   #更新累计类别的统计值
        aggErr = np.multiply(np.sign(aggClass)!=yMat,np.ones((m,1)))
        errRate = aggErr.sum()/m
        if errRate==0:break   #误差为0 推出循环
    return weakClass,aggClass

weakClass,aggClass = adaboost(xMat,yMat,maxC=4)
print(weakClass)
print(aggClass)

Adaboost的python实现

标签：大于   估计   style   函数   pen   exp   类信息   误差   class类   

原文地址：https://www.cnblogs.com/limingqi/p/12026397.html