sklearn中实现了adaboost分类和回归，即AdaBoostClassifier和AdaBoostRegressor，

AdaBoostClassifier 实现了两种方法，即 SAMME 和 SAMME.R

AdaBoostRegressor 用的 Adaboost.R2

 

框架参数

分类与回归框架参数基本相同

base_estimator：基学习器，默认是cart分类树和cart回归树，如果AdaBoostClassifier选择SAMME.R算法，基学习器还要支持概率预测，也就是在sklearn中基学习器的预测方法有predict和predict_proba

algorithm：只在AdaBoostClassifier中有，主要原因是实现了两种Adaboost分类算法，SAMME和SAMME.R。

两者的主要区别是弱学习器权重的度量，SAMME用对样本集分类效果作为弱学习器权重，而SAMME.R使用了对样本集分类的预测概率大小来作为弱学习器权重。

由于SAMME.R使用了概率度量的连续值，迭代一般比SAMME快，因此AdaBoostClassifier的默认算法algorithm的值也是SAMME.R。

我们一般使用默认的SAMME.R就够了，但是要注意的是使用了SAMME.R， 则弱分类学习器参数base_estimator必须限制使用支持概率预测的分类器。SAMME算法则没有这个限制。

loss：只在AdaBoostRegressor中有，Adaboost.R2算法需要用到。

有线性‘linear’, 平方‘square’和指数 ‘exponential’三种选择, 默认是线性，一般使用线性就足够了，除非你怀疑这个参数导致拟合程度不好。

n_estimator：基学习器的个数，默认50

learning_rate：学习率，默认是1，取值0-1之间，用于正则化，防止过拟合

random_state：随机种子设置。

 

基学习器参数

默认决策树，基学习器的参数同单独的决策树的参数

参数很多，选几个调参常用的参数解释下

max_feature：节点划分时的最大特征数，默认为None，即考虑所有特征，取log2代表最多考虑log2N个特征，取sqrt或auto代表最多考虑 根号N 个特征，取整数m代表m个特征，取浮点数代表百分比，即 m*N，

如果特征不多，一般用None即可

max_depth：树的深度，不指定是无限生长

min_samples_split：节点划分所需的最小样本数，默认是2

min_samples_leaf ：叶子节点最少样本数，默认是1

min_weight_fraction_leaf：叶子节点最小的样本权重和，限制叶子节点所有样本权重和的最小值，如果小于这个值，则会和兄弟节点一起被剪枝。 默认是0，就是不考虑权重问题。

　　一般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很大，就会引入样本权重，这时我们就要注意这个值了。

max_leaf_nodes: 最大叶子节点数，防止过拟合，默认是"None”，即不限制最大的叶子节点数。

 

属性

1、estimators_ : list of classifiers，拟合的基学习器的集合。

2、classes_ : array of shape = [n_classes]，类的标签。

3、n_classes_ : int，类的数量。

4、estimator_weights_ : array of floats，在提升的总体效果中，每个估计器的权重。

5、estimator_errors_ : array of floats，在提升的总体效果中，每个估计器的分类误差。

6、feature_importances_ : array of shape = [n_features]，如果基学习器支持的话，它表示每个特征的重要性。

 

方法

decision_function(X):返回决策函数值（比如svm中的决策距离）

fit(X,Y):在数据集（X,Y）上训练模型。

get_parms():获取模型参数

predict(X):预测数据集X的结果。

predict_log_proba(X):预测数据集X的对数概率。

predict_proba(X):预测数据集X的概率值。

score(X,Y):输出数据集（X,Y）在模型上的准确率。

staged_decision_function(X):返回每个基分类器的决策函数值

staged_predict(X):返回每个基分类器的预测数据集X的结果。

staged_predict_proba(X):返回每个基分类器的预测数据集X的概率结果。

staged_score(X, Y):返回每个基分类器的预测准确率。

 
 

参考资料：

https://blog.csdn.net/hahaha_2017/article/details/79852363

https://www.jianshu.com/p/b936e49509ca