1.集成學(xué)習(xí)

集成學(xué)習(xí)（ensemble learning）通過組合多個(gè)基分類器（base classifier）來完成學(xué)習(xí)任務(wù)，頗有點(diǎn)“三個(gè)臭皮匠頂個(gè)諸葛亮”的意味?；诸惼饕话悴捎玫氖侨蹩蓪W(xué)習(xí)（weakly learnable）分類器，通過集成學(xué)習(xí)，組合成一個(gè)強(qiáng)可學(xué)習(xí)（strongly learnable）分類器。所謂弱可學(xué)習(xí)，是指學(xué)習(xí)的正確率僅略優(yōu)于隨機(jī)猜測(cè)的多項(xiàng)式學(xué)習(xí)算法；強(qiáng)可學(xué)習(xí)指正確率較高的多項(xiàng)式學(xué)習(xí)算法。集成學(xué)習(xí)的泛化能力一般比單一的基分類器要好，這是因?yàn)榇蟛糠只诸惼鞫挤诸愬e(cuò)誤的概率遠(yuǎn)低于單一基分類器的。

偏差與方差

“偏差-方差分解”（bias variance decomposition）是用來解釋機(jī)器學(xué)習(xí)算法的泛化能力的一種重要工具。對(duì)于同一個(gè)算法，在不同訓(xùn)練集上學(xué)得結(jié)果可能不同。對(duì)于訓(xùn)練集，由于噪音，樣本的真實(shí)類別為（在訓(xùn)練集中的類別為），則噪聲為

學(xué)習(xí)算法的期望預(yù)測(cè)為

使用樣本數(shù)相同的不同訓(xùn)練集所產(chǎn)生的方法

期望輸入與真實(shí)類別的差別稱為bias，則

為便于討論，假定噪聲的期望為0，即，通過多項(xiàng)式展開，可對(duì)算法的期望泛化誤差進(jìn)行分解（詳細(xì)的推導(dǎo)參看[2]）：

也就是說，誤差可以分解為3個(gè)部分：bias、variance、noise。bias度量了算法本身的擬合能力，刻畫模型的準(zhǔn)確性；variance度量了數(shù)據(jù)擾動(dòng)所造成的影響，刻畫模型的穩(wěn)定性。為了取得較好的泛化能力，則需要充分?jǐn)M合數(shù)據(jù)（bias小），并受數(shù)據(jù)擾動(dòng)的影響?。╲ariance?。５?，bias與variance往往是不可兼得的：

當(dāng)訓(xùn)練不足時(shí)，擬合能力不夠強(qiáng)，數(shù)據(jù)擾動(dòng)不足以產(chǎn)生較大的影響，此時(shí)bias主導(dǎo)了泛化錯(cuò)誤率；

隨著訓(xùn)練加深時(shí)，擬合能力隨之加強(qiáng)，數(shù)據(jù)擾動(dòng)漸漸被學(xué)習(xí)到，variance主導(dǎo)了泛化錯(cuò)誤率。

Bagging與Boosting

集成學(xué)習(xí)需要解決兩個(gè)問題：

如何調(diào)整輸入訓(xùn)練數(shù)據(jù)的概率分布及權(quán)值；

如何訓(xùn)練與組合基分類器。

從上述問題的角度出發(fā)，集成學(xué)習(xí)分為兩類流派：Bagging與Boosting。Bagging（BootstrapAggregating）對(duì)訓(xùn)練數(shù)據(jù)擦用自助采樣（boostrap sampling），即有放回地采樣數(shù)據(jù)；每一次的采樣數(shù)據(jù)集訓(xùn)練出一個(gè)基分類器，經(jīng)過MM次采樣得到MM個(gè)基分類器，然后根據(jù)最大表決（majority vote）原則組合基分類器的分類結(jié)果。

Boosting的思路則是采用重賦權(quán)（re-weighting）法迭代地訓(xùn)練基分類器，即對(duì)每一輪的訓(xùn)練數(shù)據(jù)樣本賦予一個(gè)權(quán)重，并且每一輪樣本的權(quán)值分布依賴上一輪的分類結(jié)果；基分類器之間采用序列式的線性加權(quán)方式進(jìn)行組合。

從“偏差-方差分解”的角度看，Bagging關(guān)注于降低variance，而Boosting則是降低bias；Boosting的基分類器是強(qiáng)相關(guān)的，并不能顯著降低variance。Bagging與Boosting有分屬于自己流派的兩大殺器：Random Forests（RF）和Gradient Boosting Decision Tree（GBDT）。本文所要講的AdaBoost屬于Boosting流派。

2.AdaBoost算法

AdaBoost是由Freund與Schapire [1] 提出來解決二分類問題

根據(jù)加型模型（additive model），第m輪的分類函數(shù)

其中，為基分類器的組合系數(shù)。AdaBoost采用前向分布（forward stagewise）這種貪心算法最小化損失函數(shù)（1），求解子模型的

其中，為的分類誤差率。第m+1輪的訓(xùn)練數(shù)據(jù)集權(quán)值分布

其中，為規(guī)范化因子

則得到最終分類器

是的單調(diào)遞減函數(shù)，特別地，當(dāng)時(shí)，；當(dāng)時(shí)，即基分類器不滿足弱可學(xué)習(xí)的條件（比隨機(jī)猜測(cè)好），則應(yīng)該停止迭代。具體算法流程如下：

在算法第4步，學(xué)習(xí)過程有可能停止，導(dǎo)致學(xué)習(xí)不充分而泛化能力較差。因此，可采用“重采樣”（re-sampling）避免訓(xùn)練過程過早停止；即拋棄當(dāng)前不滿足條件的基分類器，基于重新采樣的數(shù)據(jù)訓(xùn)練分類器，從而獲得學(xué)習(xí)“重啟動(dòng)”機(jī)會(huì)。

AdaBoost能夠自適應(yīng)（addaptive）地調(diào)整樣本的權(quán)值分布，將分錯(cuò)的樣本的權(quán)重設(shè)高、分對(duì)的樣本的權(quán)重設(shè)低；所以被稱為“Adaptive Boosting”。sklearn的AdaBoostClassifier實(shí)現(xiàn)了AdaBoost，默認(rèn)的基分類器是能fit()帶權(quán)值樣本的DecisionTreeClassifier。

老師木在微博上提出了關(guān)于AdaBoost的三個(gè)問題：

1，adaboost不易過擬合的神話。

2，adaboost人臉檢測(cè)器好用的本質(zhì)原因，

3，真的要求每個(gè)弱分類器準(zhǔn)確率不低于50%。