Python機器學習之AdaBoost算法

from numpy import *
import matplotlib.pyplot as plt


# 加載數據集
def loadDataSet(fileName):
    numFeat = len(open(fileName).readline().split('\t'))
    dataMat = []
    labelMat = []
    fr = open(fileName)
    for line in fr.readlines():
        lineArr = []
        curLine = line.strip().split('\t')
        for i in range(numFeat - 1):
            lineArr.append(float(curLine[i]))
        dataMat.append(lineArr)
        labelMat.append(float(curLine[-1]))
    return dataMat, labelMat


# 返回分類預測結果  根據閾值所以有兩種返回情況
def stumpClassify(dataMatrix, dimen, threshVal, threshIneq):
    retArray = ones((shape(dataMatrix)[0], 1))
    if threshIneq == 'lt':
        retArray[dataMatrix[:, dimen] <= threshVal] = -1.0
    else:
        retArray[dataMatrix[:, dimen] > threshVal] = -1.0
    return retArray


# 返回 該弱分類器單層決策樹的信息  更新D向量的錯誤率 更新D向量的預測目標
def buildStump(dataArr, classLabels, D):
    dataMatrix = mat(dataArr)
    labelMat = mat(classLabels).T
    m, n = shape(dataMatrix)
    numSteps = 10.0
    bestStump = {}  # 字典用於保存每個分類器信息
    bestClasEst = mat(zeros((m, 1)))
    minError = inf  # 初始化最小誤差最大
    for i in range(n):  # 特征循環  （三層循環，遍歷所有的可能性）
        rangeMin = dataMatrix[:, i].min()
        rangeMax = dataMatrix[:, i].max()
        stepSize = (rangeMax - rangeMin) / numSteps  # (大-小)/分割數  得到最小值到最大值需要的每一段距離
        for j in range(-1, int(numSteps) + 1):  # 遍歷步長 最小值到最大值的需要次數
            for inequal in ['lt', 'gt']:  # 在大於和小於之間切換
                threshVal = (rangeMin + float(j) * stepSize)  # 最小值+次數*步長  每一次從最小值走的長度
                predictedVals = stumpClassify(dataMatrix, i, threshVal,
                                              inequal)  # 最優預測目標值  用於與目標值比較得到誤差
                errArr = mat(ones((m, 1)))
                errArr[predictedVals == labelMat] = 0
                weightedError = D.T * errArr
                if weightedError < minError:  # 選出最小錯誤的那個特征
                    minError = weightedError  # 最小誤差 後面用來更新D權值的
                    bestClasEst = predictedVals.copy()  # 最優預測值

                    bestStump['dim'] = i  # 特征
                    bestStump['thresh'] = threshVal  # 到最小值的距離 （得到最優預測值的那個距離）
                    bestStump['ineq'] = inequal  # 大於還是小於 最優距離為-1
    return bestStump, minError, bestClasEst


# 循環構建numIt個弱分類器
def adaBoostTrainDS(dataArr, classLabels, numIt=40):
    weakClassArr = []  # 保存弱分類器數組
    m = shape(dataArr)[0]
    D = mat(ones((m, 1)) / m)  # D向量 每條樣本所對應的一個權重
    aggClassEst = mat(zeros((m, 1)))  # 統計類別估計累積值
    for i in range(numIt):
        bestStump, error, classEst = buildStump(dataArr, classLabels, D)
        alpha = float(0.5 * log((1.0 - error) / max(error, 1e-16)))
        bestStump['alpha'] = alpha
        weakClassArr.append(bestStump)  # 加入單層決策樹

        # 得到運算公式中的向量+/-α，預測正確為-α，錯誤則+α。每條樣本一個α
        # multiply對應位置相乘  這裡很聰明，用-1*真實目標值*預測值，實現瞭錯誤分類則-，正確則+
        expon = multiply(-1 * alpha * mat(classLabels).T, classEst)
        D = multiply(D, exp(expon))  # 這三步為更新概率分佈D向量 拆分開來瞭，每一步與公式相同
        D = D / D.sum()

        # 計算停止條件錯誤率=0 以及計算每次的aggClassEst類別估計累計值
        aggClassEst += alpha * classEst
        # 很聰明的計算方法 計算得到錯誤的個數，向量中為1則錯誤值
        aggErrors = multiply(sign(aggClassEst) != mat(classLabels).T, ones((m, 1)))  # sign返回數值的正負符號，以1、-1表示
        errorRate = aggErrors.sum() / m  # 錯誤個數/總個數
        # print("錯誤率：", errorRate)
        if errorRate == 0.0:
            break
    return weakClassArr, aggClassEst


# 預測 累加 多個弱分類器獲得預測值*該alpha 得到結果
def adaClassify(datToClass, classifierArr):  # classifierArr是元組，所以在取值時需要註意
    dataMatrix = mat(datToClass)
    m = shape(dataMatrix)[0]
    aggClassEst = mat(zeros((m, 1)))
    # 循環所有弱分類器
    for i in range(len(classifierArr[0])):
        # 獲得預測結果
        classEst = stumpClassify(dataMatrix, classifierArr[0][i]['dim'], classifierArr[0][i]['thresh'],
                                 classifierArr[0][i]['ineq'])
        # 該分類器α*預測結果 用於累加得到最終的正負判斷條件
        aggClassEst += classifierArr[0][i]['alpha'] * classEst  # 這裡就是集合所有弱分類器的意見，得到最終的意見
    return sign(aggClassEst)  # 提取數據符號

# ROC曲線，類別累計值、目標標簽
def plotROC(predStrengths, classLabels):
    cur = (1.0, 1.0)  # 每次畫線的起點遊標點
    ySum = 0.0  # 用於計算AUC的值 矩形面積的高度累計值
    numPosClas = sum(array(classLabels) == 1.0)  # 所有真實正例    確定瞭在y坐標軸上的步進數目
    yStep = 1 / float(numPosClas)  # 1/所有真實正例 y軸上的步長
    xStep = 1 / float(len(classLabels) - numPosClas)  # 1/所有真實反例 x軸上的步長
    sortedIndicies = predStrengths.argsort()  # 獲得累計值向量從小到大排序的下表index [50,88,2,71...]
    fig = plt.figure()
    fig.clf()
    ax = plt.subplot(111)
    # 循環所有的累計值 從小到大
    for index in sortedIndicies.tolist()[0]:
        if classLabels[index] == 1.0:
            delX = 0  # 若為一個真正例，則沿y降一個步長，即不斷降低真陽率；
            delY = yStep  # 若為一個非真正例，則沿x退一個步長，尖笑陽率
        else:
            delX = xStep
            delY = 0
            ySum += cur[1]  # 向下移動一次，則累計一個高度。寬度不變，我們隻計算高度
        ax.plot([cur[0], cur[0] - delX], [cur[1], cur[1] - delY], c='b')  # 始終會有一個點是沒有改變的
        cur = (cur[0] - delX, cur[1] - delY)
    ax.plot([0, 1], [0, 1], 'b--')
    plt.xlabel('False positive rate')
    plt.ylabel('True positive rate')
    plt.title('ROC curve for AdaBoost horse colic detection system')
    ax.axis([0, 1, 0, 1])
    plt.show()
    print("the Area Under the Curve is: ", ySum * xStep)  # AUC面積我們以 高*低 的矩形來計算


# 測試正確率
datArr, labelArr = loadDataSet('horseColicTraining2.txt')
classifierArr = adaBoostTrainDS(datArr, labelArr, 15)

testArr, testLabelArr = loadDataSet('horseColicTest2.txt')
prediction10 = adaClassify(testArr, classifierArr)

errArr = mat(ones((67, 1)))  # 一共有67個樣本
cnt = errArr[prediction10 != mat(testLabelArr).T].sum()
print(cnt / 67)

# 畫出ROC曲線
datArr, labelArr = loadDataSet('horseColicTraining2.txt')
classifierArray, aggClassEst = adaBoostTrainDS(datArr, labelArr, 10)
plotROC(aggClassEst.T, labelArr)