python实现AdaBoost【分类】

糖逗

参考书籍：《机器学习实战》

import numpy as np

def loadSimpData():
    datMat = np.matrix([[1, 2.1], [2, 1.1], [1.3, 1], [1, 1], [2, 1]])
    classLabels = [1, 1, -1, -1, 1]
    return datMat, classLabels

def stumpClassify(dataMatrix, dimen, threshVal, threshIneq):
    retArray = np.ones((np.shape(dataMatrix)[0], 1))
    if threshIneq == "It":
        retArray[dataMatrix[:, dimen] <= threshVal] = -1
    else:
        retArray[dataMatrix[:, dimen] > threshVal] = -1
    return retArray

def buildStump(dataArr, classLabels, D):#D是定义的权重向量
    dataMatrix = np.mat(dataArr)
    labelMat = np.mat(classLabels).T
    m, n = np.shape(dataMatrix)
    numSteps = 10
    bestStump = {}
    bestClassEst = np.mat(np.zeros((m, 1)))
    minError = np.inf
    for i in range(n):#特征循环
        rangeMin = dataMatrix[:, i].min()#特征中的最小
        rangeMax = dataMatrix[:, i].max()
        stepSize = (rangeMax - rangeMin) / numSteps
        for j in range(-1, int(numSteps) + 1):#特征中按照跨度选取的每个连续特征的值（未来找特征最好切割点）
            for inequal in ['It', 'gt']:
                threshVal = (rangeMin + float(j) * stepSize)
                predictedVals = stumpClassify(dataMatrix, i, threshVal, inequal)
                errArr = np.mat(np.ones((m, 1))) 
                errArr[predictedVals == labelMat] = 0
                weightedError = D.T * errArr
                if weightedError < minError:
                    minError = weightedError
                    bestClassEst = predictedVals.copy()
                    bestStump["dim"] = i
                    bestStump["thresh"] = threshVal
                    bestStump["ineq"] = inequal
    return bestStump, minError, bestClassEst

def adaBoostTrainDS(dataArr, classLabels, numIt = 40):
    weakClassArr = []
    m = np.shape(dataArr)[0]
    D = np.mat(np.ones((m, 1)) / m)#每个样本的初始化权重是相同的
    aggClassEst = np.mat(np.zeros((m, 1)))
    for i in range(numIt):
        bestStump, error, classEst = buildStump(dataArr, classLabels, D)
        print("D:", D.T)
        alpha = float(0.5 * np.log((1 - error) / max(error, 1e-16)))#更新每个分类器的权重alpha
        bestStump['alpha'] = alpha#记录每个分类器的alpha值（这个分类器是指针对当前数据集最好的特征划分）
        weakClassArr.append(bestStump)
        print("classEst:", classEst.T)
        #np.mat和np.matrix的区别
        #https://blog.csdn.net/qq_43212169/article/details/101679293
        expon = np.multiply(-1 * alpha * np.mat(classLabels).T, classEst)
        D = np.multiply(D, np.exp(expon))
        D = D / D.sum()
        aggClassEst += alpha * classEst#记录每个数据点的类别估计累计值
        print("aggClassEst:", aggClassEst.T)
        arrErrors = np.multiply(np.sign(aggClassEst) != np.mat(classLabels).T, 
                                np.ones((m, 1)))
        errorRate = arrErrors.sum() / m
        print("total error:", errorRate, "\n")
        if errorRate == 0:
            break
    return weakClassArr


#利用多个弱分类器做最终的分类
def adaClassify(dataToClass, classifierArr):
    dataMatrix = np.mat(dataToClass)
    m = np.shape(dataMatrix)[0]
    aggClassEst = np.mat(np.zeros((m, 1)))
    for i in range(len(classifierArr)):
        classEst = stumpClassify(dataMatrix, classifierArr[i]["dim"],
                                 classifierArr[i]["thresh"],
                                 classifierArr[i]["ineq"])
        aggClassEst += classifierArr[i]["alpha"] * classEst
        print(aggClassEst)
    return np.sign(aggClassEst)
    
datMat, classLabels = loadSimpData()
classifierArray = adaBoostTrainDS(datMat, classLabels)
adaClassify([0, 0],classifierArray)#返回[0,0]特征向量的预测值

糖逗