Bagging部分比较简单，算法和代码放到一起写了。
一、Bagging算法
严格来看Bagging并不能算是一种分类算法，Bagging和Boosting一样，是一种组合基本分类器的方法，也就是使用多个基分类器来获取更为强大的分类器，其核心思想是有放回的抽样。
Bagging算法的训练流程：
1、从样本集中有放回的抽样M个样本。
2、用这M个样本训练基分类器C。
3、重复这个过程X次，得到若干个基分类器。
Bagging算法的预测流程：
1、对于新传入实例A，用这X个新分类器得到一个分类结果的列表。
2、若待分类属性是数值型（回归），求这个列表的算数平均值作为结果返回。
3、若待分类属性是枚举类型（分类），按这个列表对分类结果进行投票，返回票数最高的。
二、Weka代码实现
（1）基分类器
Weka中的默认基分类器使用的是REPTree，也就是Fast decision tree learner，至于这个具体是个什么，后面我再写文章进行分析。
public Bagging() {
m_Classifier = new weka.classifiers.trees.REPTree();
}
（2）构建过程BuildClassifier
整个BuildClassifier都是围绕标m_CalcOutOfBag来展开的，这个m_CalcOutOfBag标识的意思是：是否计算OutofBag的错误比例。
假如我们对训练集M进行抽样，抽样的数量和M的数量是一样的，那么肯定会有一些样本并没有被抽到（为什么？因为是有放回的抽样），这个标识就是用来评测这些没抽到的样本的准确率，如果没有这个标，那么这个准确率到后面就不会被计算了。
if (m_CalcOutOfBag && (m_BagSizePercent != 100)) {
throw new IllegalArgumentException("Bag size needs to be 100% if "
+ "out-of-bag error is to be calculated!");
}
int bagSize = data.numInstances() * m_BagSizePercent / 100;
Random random = new Random(m_Seed);
boolean[][] inBag = null;
if (m_CalcOutOfBag)
inBag = new boolean[m_Classifiers.length][];
for (int j = 0; j < m_Classifiers.length; j++) {
Instances bagData = null;
// create the in-bag dataset
if (m_CalcOutOfBag) {
inBag[j] = new boolean[data.numInstances()];
// bagData = resampleWithWeights(data, random, inBag[j]);
bagData = data.resampleWithWeights(random, inBag[j]);
} else {
bagData = data.resampleWithWeights(random);
if (bagSize < data.numInstances()) {
bagData.randomize(random);
Instances newBagData = new Instances(bagData, 0, bagSize);
bagData = newBagData;
}
}
这一部分是抽样，首先如果有m_CalcOutOfBag标，则必须要求抽样比例是100%。
其次算出要抽样的大小。
inBag数组是用来记录Instances中哪些样本被抽到了哪些没被抽到。
data.resampleWithWeight就是进行有放回的抽样。
if (m_Classifier instanceof Randomizable) {
((Randomizable) m_Classifiers[j]).setSeed(random.nextInt());
}
// build the classifier
m_Classifiers[j].buildClassifier(bagData);
接着是构建分类树的过程，调用具体classifier的buildClassifier方法。
最后是计算OutOfBag的过程，代码我已写注释。
if (getCalcOutOfBag()) { //如果有这个标就计算
double outOfBagCount = 0.0; //错误的权重和
double errorSum = 0.0;//错误的偏差值的和
boolean numeric = data.classAttribute().isNumeric();//是否是连续数值
for (int i = 0; i < data.numInstances(); i++) {
double vote;//代表投票结果
double[] votes;//代表投票
if (numeric)
votes = new double[1];//如果是数值，则取平均数，计算平均数的过程一个数组单元就够了
else
votes = new double[data.numClasses()];//否则则要进行投票
// determine predictions for instance
int voteCount = 0;
for (int j = 0; j < m_Classifiers.length; j++) {
if (inBag[j][i])
continue;//如果已经被采样，就忽略，因为要计算的是OutOfBag
voteCount++;//记录有多少样本被计算
if (numeric) {
votes[0] = m_Classifiers[j].classifyInstance(data.instance(i));//数值型则直接把预测结果累加
} else {
double[] newProbs = m_Classifiers[j].distributionForInstance(data
.instance(i));
for (int k = 0; k < newProbs.length; k++) {
votes[k] += newProbs[k]; //枚举型则要把所有枚举概率进行累加
}
}
}
// "vote"
if (numeric) {
vote = votes[0];
if (voteCount > 0) {
vote /= voteCount; // 数值型取均值
}
} else {
if (Utils.eq(Utils.sum(votes), 0)) {
} else {
Utils.normalize(votes);//归一化
}
vote = Utils.maxIndex(votes); // 选出最大的index
}
outOfBagCount += data.instance(i).weight();//累加权重
if (numeric) {
errorSum += StrictMath.abs(vote - data.instance(i).classValue())
* data.instance(i).weight();//累加错误偏差
} else {
if (vote != data.instance(i).classValue())
errorSum += data.instance(i).weight();//如果是枚举就对出错进行计数
}
}
m_OutOfBagError = errorSum / outOfBagCount;//最后取个平均值
} else {
m_OutOfBagError = 0;//如果没有那个标就不计算了
}
三、根据权重进行无放回抽样的过程
也就是 data.resampleWithWeights(random, inBag[j]);这个方法，感觉看了一下还挺有意思的，就放上来剖析一下。
重载形式有3个，前两个都会调用第三个：
public Instances resampleWithWeights(Random random, double[] weights) {
return resampleWithWeights(random, weights, null);
}
public Instances resampleWithWeights(Random random, boolean[] sampled) {
double[] weights = new double[numInstances()];
for (int i = 0; i < weights.length; i++) {
weights[i] = instance(i).weight();
}
return resampleWithWeights(random, weights, sampled);
}
public Instances resampleWithWeights(Random random, double[] weights,
boolean[] sampled) {
if (weights.length != numInstances()) {
throw new IllegalArgumentException("weights.length != numInstances.");
}
Instances newData = new Instances(this, numInstances());
if (numInstances() == 0) {
return newData;
}
// Walker's method, see pp. 232 of "Stochastic Simulation" by B.D. Ripley
double[] P = new double[weights.length];
System.arraycopy(weights, 0, P, 0, weights.length);
Utils.normalize(P);
double[] Q = new double[weights.length];
int[] A = new int[weights.length];
int[] W = new int[weights.length];
int M = weights.length;
int NN = -1;
int NP = M;
for (int I = 0; I < M; I++) {
if (P[I] < 0) {
throw new IllegalArgumentException("Weights have to be positive.");
}
Q[I] = M * P[I];
if (Q[I] < 1.0) {
W[++NN] = I;
} else {
W[--NP] = I;
}
}
if (NN > -1 && NP < M) {
for (int S = 0; S < M - 1; S++) {
int I = W[S];
int J = W[NP];
A[I] = J;
Q[J] += Q[I] - 1.0;
if (Q[J] < 1.0) {
NP++;
}
if (NP >= M) {
break;
}
}
// A[W[M]] = W[M];
}
for (int I = 0; I < M; I++) {
Q[I] += I;
}
for (int i = 0; i < numInstances(); i++) {
int ALRV;
double U = M * random.nextDouble();
int I = (int) U;
if (U < Q[I]) {
ALRV = I;
} else {
ALRV = A[I];
}
newData.add(instance(ALRV));
if (sampled != null) {
sampled[ALRV] = true;
}
newData.instance(newData.numInstances() - 1).setWeight(1);
}
return newData;
}
这个所谓的
Walker's method, see pp. 232 of "Stochastic Simulation" by B.D. Ripley
我找了半天也不知道是个啥算法，代码也没啥注释，大体一看没看懂，等下次有机会再把这个函数的算法补上吧。
时间： 2024-08-24 14:25:15