AdaBoostClassifier实战
部分内容摘自：http://blog.csdn.net/sun_shengyun/article/details/54289955
这里我们用一个具体的例子来讲解AdaBoostClassifier的使用。
-
- #gnu
- >>> from sklearn.model_selection import cross_val_score
- >>> from sklearn.datasets import load_iris
- >>> from sklearn.ensemble import AdaBoostClassifier
- >>> iris = load_iris() #还是那个数据集
- >>> clf = AdaBoostClassifier(n_estimators=100) #迭代100次
- >>> scores = cross_val_score(clf, iris.data, iris.target) #分类器的精确度
- >>> scores.mean()
- 0.9... #得分比较理想
- #
Methods
| (X) | Compute the decision function of X. |
| (X, y[, sample_weight]) | Build a boosted classifier from the training set (X, y). |
| ([deep]) | Get parameters for this estimator. |
| (X) | Predict classes for X. |
| (X) | Predict class log-probabilities for X. |
| (X) | Predict class probabilities for X. |
| (X, y[, sample_weight]) | Returns the mean accuracy on the given test data and labels. |
| (**params) | Set the parameters of this estimator. |
| (X) | Compute decision function of X for each boosting iteration. |
| (X) | Return staged predictions for X. |
| (X) | Predict class probabilities for X. |
| (X, y[, sample_weight]) | Return staged scores for X, y. |
首先我们载入需要的类库：
import numpy as npimport matplotlib.pyplot as plt%matplotlib inlinefrom sklearn.ensemble import AdaBoostClassifier from sklearn.tree import DecisionTreeClassifier from sklearn.datasets import make_gaussian_quantiles
接着我们生成一些随机数据来做二元分类，如果对如何产生随机数据不熟悉，在另一篇文章中有比较详细的介绍。
# 生成2维正态分布，生成的数据按分位数分为两类，500个样本,2个样本特征，协方差系数为2X1, y1 = make_gaussian_quantiles(cov=2.0,n_samples=500, n_features=2,n_classes=2, random_state=1)# 生成2维正态分布，生成的数据按分位数分为两类，400个样本,2个样本特征均值都为3，协方差系数为2X2, y2 = make_gaussian_quantiles(mean=(3, 3), cov=1.5,n_samples=400, n_features=2, n_classes=2, random_state=1) #讲两组数据合成一组数据 X = np.concatenate((X1, X2)) y = np.concatenate((y1, - y2 + 1))
我们通过可视化看看我们的分类数据，它有两个特征，两个输出类别，用颜色区别。
plt.scatter(X[:, 0], X[:, 1], marker= 'o', c=y)
输出为下图：
可以看到数据有些混杂，我们现在用基于决策树的Adaboost来做分类拟合。
bdt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5 ), algorithm="SAMME", n_estimators=200, learning_rate=0.8) bdt.fit(X, y)
这里我们选择了SAMME算法，最多200个弱分类器，步长0.8，在实际运用中你可能需要通过交叉验证调参而选择最好的参数。拟合完了后，我们用网格图来看看它拟合的区域。
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))Z = bdt.predict(np.c_[xx.ravel(), yy.ravel()])Z = Z.reshape(xx.shape) cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired) plt.scatter(X[:, 0], X[:, 1], marker='o', c=y) plt.show()
输出的图如下：
从图中可以看出，Adaboost的拟合效果还是不错的，现在我们看看拟合分数：
print "Score:", bdt.score(X,y)
输出为：
也就是说拟合训练集数据的分数还不错。当然分数高并不一定好，因为可能过拟合。
现在我们将最大弱分离器个数从200增加到300。再来看看拟合分数。
bdt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5), algorithm="SAMME", n_estimators=300, learning_rate=0.8) bdt.fit(X, y) print "Score:", bdt.score(X,y)
此时的输出为：
这印证了我们前面讲的，弱分离器个数越多，则拟合程度越好，当然也越容易过拟合。
现在我们降低步长，将步长从上面的0.8减少到0.5，再来看看拟合分数。
bdt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5), algorithm="SAMME", n_estimators=300, learning_rate=0.5) bdt.fit(X, y) print "Score:", bdt.score(X,y)
此时的输出为：
可见在同样的弱分类器的个数情况下，如果减少步长，拟合效果会下降。
最后我们看看当弱分类器个数为700，步长为0.7时候的情况：
bdt = AdaBoostClassifier(DecisionTreeClassifier(max_depth=2, min_samples_split=20, min_samples_leaf=5), algorithm="SAMME", n_estimators=600, learning_rate=0.7) bdt.fit(X, y) print "Score:", bdt.score(X,y)
此时的输出为：
此时的拟合分数和我们最初的300弱分类器，0.8步长的拟合程度相当。也就是说，在我们这个例子中，如果步长从0.8降到0.7，则弱分类器个数要从300增加到700才能达到类似的拟合效果。