关于 Adaboost 与 GBDT 加权操作疑问
来源：13-6 Ada Boosting 和 Gradient Boosting
lemonlxn
2021-01-18
老师好，我最近对这两种集成算法存在不少疑惑。
这两者都属于 boosting 算法，整体而言的步骤如下：
1.初始样本权重一致；
2.构建第一个学习器后，第二个学习器会增大【第一轮】分错样本的权重，减小【第一轮】分对样本权重；
3.第n个学习器会增大【第n-1轮】分错样本的权重，减小【第n-1轮】分对样本权重；
4.重复3步骤；
5.对m个学习器进行加权投票。
我的问题有：
1.重复3步骤后，遇到什么情况会停止？
2.加权投票是什么意思，怎么加权？（分类准确率高的学习器权重增大？）
如上是一些原理的不理解，如下是 Adaboost 与 GBDT 的疑惑。
adaboost
我网上找了一张图，如下所示，每一个学习器增大上一轮学习器分错样本的权重，减小上一轮学习器分对样本的权重。
我的问题是：
3.下图看起来是分类问题，如果解决回归问题，还能加权投票的？具体是如何来预测相应的回归数值的？
GDBT
GDBT 解决回归问题，老师已经给了样例图，我是比较好理解的。
即 GDBT 的每个子学习器，根据预测值与实际值产生的偏差来训练模型，进而逐步使偏差减小，最后通过加权方式，输出预测结果。
我的问题是：
4.整个GDBT算法逻辑，感觉与boosting 初始样本权重一致，后续增大错误样本权重，减小准确样本权重的步骤不太一致，是否boosting 单指 adaboost？
5.GDBT 解决回归问题，我是很好理解的。但解决分类问题，我是比较难以想象的。他采取的方式，是否借鉴逻辑回归？这里的分类问题，是否有加权操作，如何加权操作？
1回答
-
1. 重复3步骤后，遇到什么情况会停止？
具体做多少个分类器去 boost 之前的结果，是 boost 类型算法的一个超参数。你可以想象，如果 n 非常大，结果会大概率的过拟合你的数据；但如果 n 非常小，结果会欠拟合。你需要根据自己所处理的问题和数据，找到合适的 n
2.加权投票是什么意思，怎么加权？（分类准确率高的学习器权重增大？）
课程中对 adaboost 的原理介绍确实不深入。
整体来讲，adaboost 训练了 n 个分类器，这 n 个分类器的区别，是面对的训练数据的权值不同。最终在预测的时候，这 n 个分类器做投票。
是的，分类准确高越高，权值越大。权值的计算方式为：
其中，a(j) 是第 j 个分类器的权值；r(j) 为第 j 个分类器的错误率。你可以想象，错误率越高，分子越小，分母越大，整体 a(j) 越小，即权值越低。
式子中的 miu 是一个超参数。作为 adaboost 算法的一个超参数。
3. 下图看起来是分类问题，如果解决回归问题，还能加权投票的？具体是如何来预测相应的回归数值的？
可以，就是不同分类器得到的预测值的加权平均。（回忆一下课程中介绍的 knn 是怎么解决回归问题的？）
4. 整个GDBT算法逻辑，感觉与boosting 初始样本权重一致，后续增大错误样本权重，减小准确样本权重的步骤不太一致，是否boosting 单指 adaboost？
gradient boosting 算法属于 boost 类算法。adaboost 和 gradient boosting，都属于 boosting 类算法。
gradient boosting 并没有改变每一个样本的权重，这是和 adaboost 不一样的地方。gradient boosting 每次只是根据上一次预测的误差值再做一个分类器，尝试预测误差。
可以参考这里的讨论：http://coding.imooc.com/learn/questiondetail/171996.html
另外，gradient boosting 没有投票的过程。
5. GDBT 解决回归问题，我是很好理解的。但解决分类问题，我是比较难以想象的。他采取的方式，是否借鉴逻辑回归？这里的分类问题，是否有加权操作，如何加权操作？
是的，使用和逻辑回归相同的方式。也就是一个分类器，虽然把一个数据分类成为 a，但是 51% 的概率分类为 a，和 88% 的概率分类为 a，是不一样的。而如果我们知道一个样本实际对应的类别是 a，那最佳情况应该是 100% 为 a，所以这里是有误差的。gradient boosting 针对这个误差做调整。
继续加油！：）
312021-01-19
相似问题