add AdaBoost

AdaBoost/AdaBoost.py

@@ -0,0 +1,269 @@
+#coding=utf-8
+#Author:Dodo
+#Date:2018-12-05
+#Email:lvtengchao@pku.edu.cn
+#Blog:www.pkudodo.com
+'''
+数据集：Mnist
+训练集数量：60000(实际使用：10000)
+测试集数量：10000（实际使用：1000)
+层数：40
+------------------------------
+运行结果：
+    正确率：97%
+    运行时长：65m
+'''
+
+import time
+import numpy as np
+
+def loadData(fileName):
+    '''
+    加载文件
+    :param fileName:要加载的文件路径
+    :return: 数据集和标签集
+    '''
+    #存放数据及标记
+    dataArr = []; labelArr = []
+    #读取文件
+    fr = open(fileName)
+    #遍历文件中的每一行
+    for line in fr.readlines():
+        #获取当前行，并按“，”切割成字段放入列表中
+        #strip：去掉每行字符串首尾指定的字符（默认空格或换行符）
+        #split：按照指定的字符将字符串切割成每个字段，返回列表形式
+        curLine = line.strip().split(',')
+        #将每行中除标记外的数据放入数据集中（curLine[0]为标记信息）
+        #在放入的同时将原先字符串形式的数据转换为整型
+        #此外将数据进行了二值化处理，大于128的转换成1，小于的转换成0，方便后续计算
+        dataArr.append([int(int(num) > 128) for num in curLine[1:]])
+        #将标记信息放入标记集中
+        #放入的同时将标记转换为整型
+
+        #转换成二分类任务
+        #标签0设置为1，反之为-1
+        if int(curLine[0]) == 0:
+            labelArr.append(1)
+        else:
+            labelArr.append(-1)
+    #返回数据集和标记
+    return dataArr, labelArr
+
+def calc_e_Gx(trainDataArr, trainLabelArr, n, div, rule, D):
+    '''
+    计算分类错误率
+    :param trainDataArr:训练数据集数字
+    :param trainLabelArr: 训练标签集数组
+    :param n: 要操作的特征
+    :param div:划分点
+    :param rule:正反例标签
+    :param D:权值分布D
+    :return:预测结果， 分类误差率
+    '''
+    #初始化分类误差率为0
+    e = 0
+    #将训练数据矩阵中特征为n的那一列单独剥出来做成数组。因为其他元素我们并不需要，
+    #直接对庞大的训练集进行操作的话会很慢
+    x = trainDataArr[:, n]
+    #同样将标签也转换成数组格式，x和y的转换只是单纯为了提高运行速度
+    #测试过相对直接操作而言性能提升很大
+    y = trainLabelArr
+    predict = []
+
+    #依据小于和大于的标签依据实际情况会不同，在这里直接进行设置
+    if rule == 'LisOne':    L = 1; H = -1
+    else:                   L = -1; H = 1
+
+    #遍历所有样本的特征m
+    for i in range(trainDataArr.shape[0]):
+        if x[i] < div:
+            #如果小于划分点，则预测为L
+            #如果设置小于div为1，那么L就是1，
+            #如果设置小于div为-1，L就是-1
+            predict.append(L)
+            #如果预测错误，分类错误率要加上该分错的样本的权值（8.1式）
+            if y[i] != L: e += D[i]
+        elif x[i] >= div:
+            #与上面思想一样
+            predict.append(H)
+            if y[i] != H: e += D[i]
+    #返回预测结果和分类错误率e
+    #预测结果其实是为了后面做准备的，在算法8.1第四步式8.4中exp内部有个Gx，要用在那个地方
+    #以此来更新新的D
+    return np.array(predict), e
+
+def createSigleBoostingTree(trainDataArr, trainLabelArr, D):
+    '''
+    创建单层提升树
+    :param trainDataArr:训练数据集数组
+    :param trainLabelArr: 训练标签集数组
+    :param D: 算法8.1中的D
+    :return: 创建的单层提升树
+    '''
+
+    #获得样本数目及特征数量
+    m, n = np.shape(trainDataArr)
+    #单层树的字典，用于存放当前层提升树的参数
+    #也可以认为该字典代表了一层提升树
+    sigleBoostTree = {}
+    #初始化分类误差率，分类误差率在算法8.1步骤（2）（b）有提到
+    #误差率最高也只能100%，因此初始化为1
+    sigleBoostTree['e'] = 1
+
+    #对每一个特征进行遍历，寻找用于划分的最合适的特征
+    for i in range(n):
+        #因为特征已经经过二值化，只能为0和1，因此分切分时分为-0.5， 0.5， 1.5三挡进行切割
+        for div in [-0.5, 0.5, 1.5]:
+            #在单个特征内对正反例进行划分时，有两种情况：
+            #可能是小于某值的为1，大于某值得为-1，也可能小于某值得是-1，反之为1
+            #因此在寻找最佳提升树的同时对于两种情况也需要遍历运行
+            #LisOne：Low is one：小于某值得是1
+            #HisOne：High is one：大于某值得是1
+            for rule in ['LisOne', 'HisOne']:
+                #按照第i个特征，以值div进行切割，进行当前设置得到的预测和分类错误率
+                Gx, e = calc_e_Gx(trainDataArr, trainLabelArr, i, div, rule, D)
+                #如果分类错误率e小于当前最小的e，那么将它作为最小的分类错误率保存
+                if e < sigleBoostTree['e']:
+                    sigleBoostTree['e'] = e
+                    #同时也需要存储最优划分点、划分规则、预测结果、特征索引
+                    #以便进行D更新和后续预测使用
+                    sigleBoostTree['div'] = div
+                    sigleBoostTree['rule'] = rule
+                    sigleBoostTree['Gx'] = Gx
+                    sigleBoostTree['feature'] = i
+    #返回单层的提升树
+    return sigleBoostTree
+
+def createBosstingTree(trainDataList, trainLabelList, treeNum = 50):
+    '''
+    创建提升树
+    创建算法依据“8.1.2 AdaBoost算法” 算法8.1
+    :param trainDataList:训练数据集
+    :param trainLabelList: 训练测试集
+    :param treeNum: 树的层数
+    :return: 提升树
+    '''
+    #将数据和标签转化为数组形式
+    trainDataArr = np.array(trainDataList)
+    trainLabelArr = np.array(trainLabelList)
+    #没增加一层数后，当前最终预测结果列表
+    finallpredict = [0] * len(trainLabelArr)
+    #获得训练集数量以及特征个数
+    m, n = np.shape(trainDataArr)
+
+    #依据算法8.1步骤（1）初始化D为1/N
+    D = [1 / m] * m
+    #初始化提升树列表，每个位置为一层
+    tree = []
+    #循环创建提升树
+    for i in range(treeNum):
+        #得到当前层的提升树
+        curTree = createSigleBoostingTree(trainDataArr, trainLabelArr, D)
+        #根据式8.2计算当前层的alpha
+        alpha = 1/2 * np.log((1 - curTree['e']) / curTree['e'])
+        #获得当前层的预测结果，用于下一步更新D
+        Gx = curTree['Gx']
+        #依据式8.4更新D
+        #考虑到该式每次只更新D中的一个w，要循环进行更新知道所有w更新结束会很复杂（其实
+        #不是时间上的复杂，只是让人感觉每次单独更新一个很累），所以该式以向量相乘的形式，
+        #一个式子将所有w全部更新完。
+        #该式需要线性代数基础，如果不太熟练建议补充相关知识，当然了，单独更新w也一点问题
+        #没有
+        #np.multiply(trainLabelArr, Gx)：exp中的y*Gm(x)，结果是一个行向量，内部为yi*Gm(xi)
+        #np.exp(-1 * alpha * np.multiply(trainLabelArr, Gx))：上面求出来的行向量内部全体
+        #成员再乘以-αm，然后取对数，和书上式子一样，只不过书上式子内是一个数，这里是一个向量
+        #D是一个行向量，取代了式中的wmi，然后D求和为Zm
+        #书中的式子最后得出来一个数w，所有数w组合形成新的D
+        #这里是直接得到一个向量，向量内元素是所有的w
+        #本质上结果是相同的
+        D = np.multiply(D, np.exp(-1 * alpha * np.multiply(trainLabelArr, Gx))) / sum(D)
+        #在当前层参数中增加alpha参数，预测的时候需要用到
+        curTree['alpha'] = alpha
+        #将当前层添加到提升树索引中。
+        tree.append(curTree)
+
+        #-----以下代码用来辅助，可以去掉---------------
+        #根据8.6式将结果加上当前层乘以α，得到目前的最终输出预测
+        finallpredict += alpha * Gx
+        #计算当前最终预测输出与实际标签之间的误差
+        error = sum([1 for i in range(len(trainDataList)) if np.sign(finallpredict[i]) != trainLabelArr[i]])
+        #计算当前最终误差率
+        finallError = error / len(trainDataList)
+        #如果误差为0，提前退出即可，因为没有必要再计算算了
+        if finallError == 0:    return tree
+        #打印一些信息
+        print('iter:%d:%d, sigle error:%.4f, finall error:%.4f'%(i, treeNum, curTree['e'], finallError ))
+    #返回整个提升树
+    return tree
+
+def predict(x, div, rule, feature):
+    '''
+    输出单独层预测结果
+    :param x: 预测样本
+    :param div: 划分点
+    :param rule: 划分规则
+    :param feature: 进行操作的特征
+    :return:
+    '''
+    #依据划分规则定义小于及大于划分点的标签
+    if rule == 'LisOne':    L = 1; H = -1
+    else:                   L = -1; H = 1
+
+    #判断预测结果
+    if x[feature] < div: return L
+    else:   return H
+
+def test(testDataList, testLabelList, tree):
+    '''
+    测试
+    :param testDataList:测试数据集
+    :param testLabelList: 测试标签集
+    :param tree: 提升树
+    :return: 准确率
+    '''
+    #错误率计数值
+    errorCnt = 0
+    #遍历每一个测试样本
+    for i in range(len(testDataList)):
+        #预测结果值，初始为0
+        result = 0
+        #依据算法8.1式8.6
+        #预测式子是一个求和式，对于每一层的结果都要进行一次累加
+        #遍历每层的树
+        for curTree in tree:
+            #获取该层参数
+            div = curTree['div']
+            rule = curTree['rule']
+            feature = curTree['feature']
+            alpha = curTree['alpha']
+            #将当前层结果加入预测中
+            result += alpha * predict(testDataList[i], div, rule, feature)
+        #预测结果取sign值，如果大于0 sign为1，反之为0
+        if np.sign(result) != testLabelList[i]: errorCnt += 1
+    #返回准确率
+    return 1 - errorCnt / len(testDataList)
+
+if __name__ == '__main__':
+    #开始时间
+    start = time.time()
+
+    # 获取训练集
+    print('start read transSet')
+    trainDataList, trainLabelList = loadData('../Mnist/mnist_train.csv')
+
+    # 获取测试集
+    print('start read testSet')
+    testDataList, testLabelList = loadData('../Mnist/mnist_test.csv')
+
+    #创建提升树
+    print('start init train')
+    tree = createBosstingTree(trainDataList[:10000], trainLabelList[:10000], 40)
+
+    #测试
+    print('start to test')
+    accuracy = test(testDataList[:1000], testLabelList[:1000], tree)
+    print('the accuracy is:%d' % (accuracy * 100), '%')
+
+    #结束时间
+    end = time.time()
+    print('time span:', end - start)