提高分类准确率的技术——组合分类

组合分类方法简介

基本思想：组合分类把k个学习得到的模型（或基分类器）M₁，M₂，···，M_k组合在一起，旨在创建一个改进的复合分类器模型M^*。使用给定的数据集D创建k个训练集D₁，D₂，···，D_k，其中D_i用于创建分类器M_i。现在给定一个待分类的新数据元组，每个基分类器通过返回类预测进行投票。组合分类器基于基分类器的投票返回类预测。

目前常用的组合分类器有：装袋、提升和随机森林。下面就对这三种分类器依次作介绍。

装袋（bagging）

算法：装袋。装袋算法——为学习方案创建组合分类模型，其中每个模型给出等权重预测。

输入：

• D：d个训练元组的集合
• k：组合分类器中的模型数
• 一种学习方案（例如，决策树算法、后向传播等）

输出：组合分类器——复合模型M∗

方法：

1. for i = 1 to k do
2. 通过对D有放回抽样，创建自助样本Di
3. 使用Di和学习方法导出模型Mi
4. endfor

使用组合分类器对元组x分类：让k个模型都对x分类并返回多数表决

注意：这里的每个基分类器具有相同的投票权重

提升（boosting）

在提升方法中，权重赋予每个训练元组。迭代地学习k个分类器。学习得到分类器Mi之后，更新权重，使得其后的分类器Mi+1”更关注“Mi误分类的训练元组。最终提升的分类器M∗组合每个个体分类器的表决，其中每个分类器投票的权重是其准确率的函数。
Adaboost（Adaptive Boosting）是一种流行的提升算法。
算法：Adaboost.一种提升算法——创建分类器的组合。每个给出一个加权投票。
输入：

• D：类标记的训练元组集。
• k：轮数（每轮产生一个分类器）。
• 一种分类学习方案。

输出：一个复合模型。
方法：

1. 将D中每个元组的权重初始化为1/d
2. for i = 1 to do
3. 根据元组的权重从D中又放回抽样，得到Di
4. 使用训练集Di导出模型Mi
5. 计算Mi的错误率error(Mi)=∑dj=1wi×err(Xj)，其中，err(Xj)={0，Xj被正确分类1，Xj被误分类，wi表示元组的权重值
6. if error(Mi) > 0.5 then //这一步的作用是为了避免所产生的分类器效果太差
7. 转步骤3重试
8. endif
9. for Di 的每个被正确分类的元组 do // 这一步是用来更新被正确分类的元组的权重值
10. 元组的权重wi=wi×error(Mi)1−error(Mi)
11. 规范化每个元组的权重 //将所有元组的权重值进行规范化，规范化后的结果，会发现被正确分类的元组权重降低，而被误分类元组的权重值上升
12. endfor

使用组合分类器对元组x分类：

1. 将每个类的权重初始化为0
2. for i = 1 to k do
3. wi=log1−error(Mi)error(Mi) //获得基分类器的权重值
4. c=Mi(x) //获得基分类器的分类结果
5. 将wi加到类c的权重 //将不同类的基分类器权重进行求和
6. endfor
7. 返回具有最大权重的类

需要注意的是，这个方法存在结果复合模型对数据过分拟合的危险。

随机森林

随机森林可以使用装袋与随机属性选择结合起来构建。

算法：Forest-RI.一种随机森林算法
输入：

• D：类标记的训练元组集
• k：分类器中的模型树
• F：节点划分时，候选属性的个数
• 一种属性选择算法

输出：一个随机森林
方法：

1. for i=1 to k do
2. 通过对D有放回抽样，创建自助样本Di
3. 从自主样本Di的属性集合中，随机选择F个属性作为节点划分时的候选属性
4. 根据属性选择算法，选择节点的分裂属性，对Di进行一次分裂
5. 再次执行第3步，直到被选择的属性集都在之前的分裂中使用过，即无法再进行决策树的构建，从而得到最终的决策树模型Mi
6. endfor

随机森林对于属性个数的选择很敏感，通常选取log2d+1个属性。随机森林具有更快的分类速度，适合大型数据库。

类不平衡数据

类不平衡问题与代价敏感学习密切相关。传统的分类方法，将假正例和假负例的代价视为相等，所以不适合类平衡数据分类。
这里介绍四种通用的解决方案：（1）过抽样；（2）欠抽样；（3）阈值移动；（4）组合技术。第四种技术，前面已经做过介绍，下面主要对前三种技术做一下说明。注意，这里的类不平衡解决方案，都是只假定两种类别，对于多类的不平衡数据，目前还没有很好的解决措施：

过抽样

过抽样就是通过对训练集中的正元组进行重复采样，直到结果训练集包含相同个数的正元组和负元组。

欠抽样

欠抽样是通过对训练集中的多数类随机进行删除元组，直到结果训练集包含相同个数的正元组和负元组。

阈值移动

这种方法适用于对于给定输入元组返回一个连续输出值得分类器。即对于输入元组X，这种分类器返回一个映射f(X)→[0,1]作为输出。该方法不出操控训练元组，而是基于输出值返回分类决策。
对于某个阈值t，满足f(X)≥t的元组X被视为正的，而其他元组被视为负的。
阈值移动就是通过改变t的值，使得稀有类的元组更容易分类。