AdaBoost

Машинне навчання з деревоподібними моделями в Python

Elie Kawerk

Data Scientist

Boosting

  • Boosting: ансамблевий метод, що поєднує кілька слабких моделей у сильну.

  • Слабка модель: дає результат трохи кращий за випадкове вгадування.

  • Приклад слабкої моделі: пеньок рішень (CART з максимальною глибиною 1).

Машинне навчання з деревоподібними моделями в Python

Boosting

  • Навчайте ансамбль моделей послідовно.

  • Кожна наступна модель виправляє попередню.

  • Найпопулярніші методи boosting:

    • AdaBoost,

    • Gradient Boosting.

Машинне навчання з деревоподібними моделями в Python

Adaboost

  • Скорочено від Adaptive Boosting.

  • Кожна модель більше зважає на приклади, які попередня спрогнозувала хибно.

  • Це досягається зміною ваг навчальних прикладів.

  • Кожній моделі призначається коефіцієнт $\alpha$.

  • $\alpha$ залежить від навчальної помилки моделі.

Машинне навчання з деревоподібними моделями в Python

AdaBoost: навчання

ada-train

Машинне навчання з деревоподібними моделями в Python

Learning Rate

Швидкість навчання: $0 < \eta \leq 1$ ada-lr

Машинне навчання з деревоподібними моделями в Python

AdaBoost: прогнозування

  • Класифікація:

    • Зважене голосування більшості.
    • У sklearn: AdaBoostClassifier.

  • Регресія:

    • Зважене середнє.
    • У sklearn: AdaBoostRegressor.
Машинне навчання з деревоподібними моделями в Python

Класифікація AdaBoost у sklearn (набір даних Breast Cancer)

# Import models and utility functions
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import train_test_split

# Set seed for reproducibility
SEED = 1

# Split data into 70% train and 30% test
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3,
                                                    stratify=y,
                                                    random_state=SEED)
Машинне навчання з деревоподібними моделями в Python
# Instantiate a classification-tree 'dt'
dt = DecisionTreeClassifier(max_depth=1, random_state=SEED)


# Instantiate an AdaBoost classifier 'adab_clf'
adb_clf = AdaBoostClassifier(base_estimator=dt, n_estimators=100)



# Fit 'adb_clf' to the training set
adb_clf.fit(X_train, y_train)

# Predict the test set probabilities of positive class
y_pred_proba = adb_clf.predict_proba(X_test)[:,1]



# Evaluate test-set roc_auc_score
adb_clf_roc_auc_score = roc_auc_score(y_test, y_pred_proba)
Машинне навчання з деревоподібними моделями в Python

Класифікація AdaBoost у sklearn (набір даних Breast Cancer)

# Print adb_clf_roc_auc_score
print('ROC AUC score: {:.2f}'.format(adb_clf_roc_auc_score)) 

ROC AUC score: 0.99
Машинне навчання з деревоподібними моделями в Python

Давайте потренуємось!

Машинне навчання з деревоподібними моделями в Python

Preparing Video For Download...