大数据管理与应用系列丛书《数据挖掘》（吕欣等著）读书笔记-集成学习与 AdaBoost

集成学习与 AdaBoost 学习笔记初学集成学习常会卡在 AdaBoost 权重更新、强弱分类器融合等难点翻阅吕欣老师《数据挖掘》后豁然开朗。书本立足学习者认知规律先铺垫集成学习基础思想再循序渐进详解 AdaBoost 推导逻辑难点分步拆解、辅以通俗说明避开繁杂冗余内容无论是课程配套学习还是自主钻研集成算法都是可读性很强的工具书。在线学习开源代码https://github.com/XL-lab-bigdata/DataMining一、为什么需要集成学习在实际机器学习任务中单一模型往往存在如下问题对训练数据过拟合或欠拟合对噪声较敏感泛化能力有限即使是性能较好的模型在复杂数据场景下也难以长期保持稳定效果。因此一个自然的想法是能否将多个模型组合起来使整体性能优于任何一个单独模型集成学习正是基于这一思想发展而来其目标是通过多个模型之间的协同工作提升预测精度与稳定性。二、集成学习的基本框架从整体思路上看集成学习通常包含三个核心要素基学习器若干个性能尚可的模型差异性来源保证模型之间存在差别融合策略将多个模型结果进行组合1. 基学习器基学习器可以是决策树线性模型支持向量机神经网络在多数集成算法中决策树由于结构简单、训练速度快常被作为默认基模型。2. 模型多样性的来源多样性主要通过以下方式获得数据层面的随机性不同训练子集特征层面的随机性随机选特征参数层面的随机性多样性越高集成模型往往越有效。3. 集成学习的两条主线从训练方式上集成学习可以分为两大类1Bagging并行式集成各基模型相互独立训练重点在于降低方差典型算法随机森林2Boosting串行式集成模型按顺序训练后续模型重点关注前序模型的错误典型算法AdaBoost、GBDT、XGBoost三、Bagging代表随机森林的直观理解随机森林通过Bootstrap 抽样生成多个数据子集在每棵树中随机选择部分特征对多棵树的预测结果进行投票或平均实现“多棵树共同决策”。其核心优势在于降低过拟合风险提升泛化能力对异常值相对鲁棒随机森林的成功也进一步说明多个弱模型的组合可以胜过单一强模型。这一思想为理解 Boosting 奠定基础。四、从 Bagging 到 Boosting 的转变Bagging 主要解决的是“模型不稳定”问题而 Boosting 更关注如何逐步减少模型的偏差Boosting 不再让模型彼此独立而是每一轮模型都建立在前一轮基础之上重点处理之前分类错误的样本具体而言这张图通过可视化形式清晰区分了集成学习中两类经典算法的核心逻辑左侧Bagging以随机森林为代表训练模式并行Parallel从原始数据集绿色CSV文件中通过抽样生成多个独立的子数据集每个子集对应训练一个分类器如决策树所有分类器同步训练、互不影响。核心特点各分类器“独立平等”最终结果由所有分类器的输出投票/均值决定目标是降低单模型的方差减少过拟合提升泛化能力。右侧Boosting以AdaBoost为代表训练模式串行Sequential从原始数据集出发先训练第1个分类器根据其错误结果调整样本权重错误样本权重升高生成新的数据集后训练第2个分类器依此迭代后续分类器会“针对性学习”前序模型的错误。核心特点分类器之间存在“依赖关系”最终结果由各分类器的输出加权融合错误率低的分类器权重更高目标是降低单模型的偏差提升模型的拟合能力。两类算法核心差异对比维度BaggingBoosting训练方式并行各模型独立串行依赖前序结果样本处理随机抽样生成独立子集动态调整样本权重集成策略平权投票/平均加权融合优模型权重高核心目标降低方差抗过拟合降低偏差提准确率代表算法随机森林AdaBoost、GBDTAdaBoost 是 Boosting 思想中最经典的实现之一。五、AdaBoost 的核心思想1、流程总览输入样本集后AdaBoost通过**“样本加权→训练弱学习器→计算学习器权重”的循环迭代训练TTT个弱学习器最终通过加权融合所有弱学习器×对应权重后求和**得到最终模型。2、核心逻辑1样本加权图中“样本权重向量”部分初始状态所有样本的权重相同比如都为1N\frac{1}{N}N1​NNN是样本数每轮训练后被当前弱学习器分类错误的样本权重会升高被分类正确的样本权重会降低作用让后续的弱学习器更“聚焦”于前一轮难以分类的样本权重高的样本。3、核心逻辑2模型加权图中“学习器权重α\alphaα”部分这里的“学习器权重α\alphaα”就是你说的“模型权重”二者完全等价每个弱学习器图中的h1、h2…hTh_1、h_2…h_Th1​、h2​…hT​训练完成后会根据自身的错误率计算对应的权重α\alphaα规则错误率越低的弱学习器α\alphaα模型权重越大错误率越高α\alphaα越小作用让“表现更好”的弱学习器在最终模型中拥有更高的话语权。4、最终输出所有弱学习器的预测结果会按照各自的权重α\alphaα进行加权求和再通过sigmoid函数图中signsignsign得到最终分类结果公式对应图底部的H(X)sign(∑t1Tαtht(X))H(X) sign\left(\sum_{t1}^{T}\alpha_t h_t(X)\right)H(X)sign(t1∑T​αt​ht​(X))六、AdaBoost 的训练流程初始化样本权重训练一个弱分类器计算该分类器的错误率根据错误率计算模型权重更新样本权重分布重复以上步骤将所有弱分类器进行加权融合可以理解为不断纠错、不断修正的过程。七、AdaBoost 的数学表达错误率em∑i1Nwi[yi≠gm(xi)]e_m \sum_{i1}^{N} w_i [y_i \neq g_m(x_i)]em​i1∑N​wi​[yi​gm​(xi​)]分类器权重αm12ln⁡(1−emem)\alpha_m \frac{1}{2} \ln\left(\frac{1-e_m}{e_m}\right)αm​21​ln(em​1−em​​)最终模型G(x)sign(∑m1Mαmgm(x))G(x) \text{sign}\left(\sum_{m1}^{M} \alpha_m g_m(x)\right)G(x)sign(m1∑M​αm​gm​(x))这些公式体现了错误率越低 → 权重越大。八、AdaBoost 的优势与不足优势能显著提升弱分类器性能适用于高维数据对小样本任务友好参数相对较少不足对噪声和异常值敏感训练时间随迭代次数增加可解释性较弱九、AdaBoost 的参数理解1. n_estimators弱分类器数量过小欠拟合过大计算成本高可能过拟合2. learning_rate控制每个弱分类器的影响程度学习率小 → 需要更多弱分类器学习率大 → 易出现波动实际应用中通常需要联合调节。十、AdaBoost 的应用示例场景基于 AdaBoost 的医疗辅助诊断疾病风险预测以「糖尿病风险预测」为例公开数据集Pima Indians Diabetes Dataset通过患者的生理指标如血糖、BMI、胰岛素水平等预测是否患糖尿病对比单决策树与 AdaBoost 的效果差异。1. 实战代码importpandasaspdimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromsklearn.treeimportDecisionTreeClassifierfromsklearn.ensembleimportAdaBoostClassifierfromsklearn.metricsimportaccuracy_score,recall_score,confusion_matriximportwarnings warnings.filterwarnings(ignore)# 1. 加载数据集UCI公开糖尿病数据集urlhttps://raw.githubusercontent.com/jbrownlee/Datasets/master/pima-indians-diabetes.data.csvcolumns[Pregnancies,Glucose,BloodPressure,SkinThickness,Insulin,BMI,DiabetesPedigreeFunction,Age,Outcome]dfpd.read_csv(url,namescolumns)# 2. 数据预处理处理缺失值、标准化# 替换0值生理指标不可能为0为列均值df[[Glucose,BloodPressure,SkinThickness,Insulin,BMI]]df[[Glucose,BloodPressure,SkinThickness,Insulin,BMI]].replace(0,np.nan)df.fillna(df.mean(),inplaceTrue)# 划分特征与标签、训练集与测试集Xdf.drop(Outcome,axis1)ydf[Outcome]X_train,X_test,y_train,y_testtrain_test_split(X,y,test_size0.25,random_state42)# 标准化特征scalerStandardScaler()X_train_scaledscaler.fit_transform(X_train)X_test_scaledscaler.transform(X_test)# 3. 训练单决策树模型弱分类器基准dt_modelDecisionTreeClassifier(max_depth1,random_state42)# 限制深度为1模拟弱分类器dt_model.fit(X_train_scaled,y_train)dt_preddt_model.predict(X_test_scaled)# 4. 训练AdaBoost模型兼容scikit-learn新旧版本# 先检测scikit-learn版本自动适配参数名importsklearn sklearn_versionsklearn.__version__print(f当前scikit-learn版本:{sklearn_version})iffloat(sklearn_version.split(.)[1])2:# 1.2及以上版本用estimatorada_modelAdaBoostClassifier(estimatorDecisionTreeClassifier(max_depth1),# 替换base_estimator为estimatorn_estimators50,learning_rate0.1,random_state42)else:# 1.2以下版本用base_estimatorada_modelAdaBoostClassifier(base_estimatorDecisionTreeClassifier(max_depth1),n_estimators50,learning_rate0.1,random_state42)ada_model.fit(X_train_scaled,y_train)ada_predada_model.predict(X_test_scaled)# 5. 模型评估对比准确率、召回率defevaluate_model(y_true,y_pred,model_name):accaccuracy_score(y_true,y_pred)recallrecall_score(y_true,y_pred)cmconfusion_matrix(y_true,y_pred)print(f{model_name}评估结果 )print(f准确率:{acc:.4f})print(f召回率糖尿病识别率:{recall:.4f})print(f混淆矩阵:\n{cm}\n)# 输出评估结果evaluate_model(y_test,dt_pred,单决策树弱分类器)evaluate_model(y_test,ada_pred,AdaBoost集成模型)2. 输出结果结果解读单决策树弱分类器准确率71.35%糖尿病识别召回率49.28%漏诊较多AdaBoost集成模型准确率提升至76.04%召回率升至55.07%漏诊减少核心结论AdaBoost集成后模型准确率与疾病识别能力均有明显提升。十一、与其他 Boosting 方法的关系GBDT基于残差拟合XGBoost在 GBDT 基础上加入正则化与二阶信息AdaBoost基于样本权重调整它们本质上都遵循逐步优化模型的思想十二、学习总结通过学习集成学习与 AdaBoost可以得到以下体会提升模型性能不一定依赖复杂结构合理组合多个简单模型同样有效Boosting 的核心在于“关注错误并修正错误”AdaBoost 作为 Boosting 家族的基础算法为后续理解 GBDT、XGBoost 等方法提供了重要理论起点。笔记来源冯同学均有明显提升。十一、与其他 Boosting 方法的关系GBDT基于残差拟合XGBoost在 GBDT 基础上加入正则化与二阶信息AdaBoost基于样本权重调整它们本质上都遵循逐步优化模型的思想十二、学习总结通过学习集成学习与 AdaBoost可以得到以下体会提升模型性能不一定依赖复杂结构合理组合多个简单模型同样有效Boosting 的核心在于“关注错误并修正错误”AdaBoost 作为 Boosting 家族的基础算法为后续理解 GBDT、XGBoost 等方法提供了重要理论起点。笔记来源冯同学