Boosting.ppt

Boosting原理及在分类上的应用 电子工程系 刘辉 2002 年 12 月 9 日 Outline 背景 Boosting原理 Boosting算法 Boosting应用 总结 背景 游戏理论（Game theory） R P S 锤子 布 剪子 锤子 ? 1 0 布 0 ? 1 剪子 1 0 ? 游戏者1（row player)： RSPPSRS… （损失最小化） 游戏者2（column player）： SRRPSRP… （损失最大化） 背景 在线学习（On-line learning) 马以往的表现 马当前的状态 马的主人 场地安排 …….. 以上种种因素，如何综合考虑？ 背景 Boosting思想源于 三个臭皮匠，胜过诸葛亮 Finding many rough rules of thumb can be a lot easier and more effective than finding a single, highly prediction rule. 原理引入 天气预报 预测明天是晴是雨？ 传统观念：依赖于专家系统（A perfect Expert) 原理引入 A perfect expert 原理引入 Boosting：based on “Nobody is perfect”，combine common reporter to obtain perfect expert 更加符合自然界的现实 原理引入 Boosting—concepts(1) 机器学习（Machine Learning)：将一些已知的并已被成功解决的问题作为范例输入计算机,机器通过学习这些范例总结并生成相应的规则,这些规则具有通用性,使用它们可以解决某一类的问题 。 人脸识别 文本分类 网络安全 生物信息工程 学习机（learner)：机器学习得到的规则或者模型。 样本：所研究问题的实例，一般在训练集中包括正样本和负样本。 一张人脸图像，一篇文章，一个病毒代码，一个生物的遗传编码 训练：采用某种方法，用已知属性的样本作为输入，得到相应规则的过程。 训练集：由已知属性的样本组成的集合，作为训练过程的输入数据。 测试集：由已知属性的样本组成的集合，作为测试过程的输入数据。 假设：学习机对样本做出的判断，即是否符合需要判定的事实。 某张脸是否是张三的，某篇文章是否属于新闻类别 Boosting—concepts(2) 特征选取：从实际数据中抽取反映其本质规律的属性。 人脸图像向量做PCA变换得到特征向量的投影系数 对文本进行语法分析后表示成关于词的特征向量 机器学习系统结构表示 Boosting—concepts(3) 弱学习机（weak learner): 对一定分布的训练样本给出假设（仅仅强于随机猜测） 根据有云猜测可能会下雨 强学习机（strong learner): 根据得到的弱学习机和相应的权重给出假设（最大程度上符合实际情况：almost perfect expert) 根据CNN,ABC,CBS以往的预测表现及实际天气情况作出综合准确的天气预测 弱学习机 强学习机 Boosting流程(loop1) 流程描述 Step1: 原始训练集输入，带有原始分布 Step2: 给出训练集中各样本的权重 Step3: 将改变分布后的训练集输入已知的弱学习机，弱学习机对每个样本给出假设 Step4: 对此次的弱学习机给出权重 Step5: 转到Step2, 直到循环到达一定次数或者某度量标准符合要求 Step6: 将弱学习机按其相应的权重加权组合形成强学习机 核心思想 样本的权重 没有先验知识的情况下，初始的分布应为等概分布，也就是训练集如果有N个样本，每个样本的分布概率为1/N 每次循环一后提高错误样本的分布概率，分错样本在训练集中所占权重增大， 使得下一次循环的弱学习机能够集中力量对这些错误样本进行判断。 弱学习机的权重 准确率越高的弱学习机权重越高 循环控制：损失函数达到最小 在强学习机的组合中增加一个加权的弱学习机，使准确率提高，损失函数值减小。 简单问题演示（Boosting训练过程） 算法—问题描述 训练集 { (x1,y1), (x2,y2),…, (xN,yN) } xi ?Rm, yi? {-1,+1} Dt 为第t次循环时的训练样本分布（每