6.6 AdaBoost实战

首页 » 算法 » 正文

引言

理论与sklearn实现部分参见该专栏其他文章

实战

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
from sklearn.ensemble import RandomForestClassifier,AdaBoostClassifier
import warnings

# 'sepal length', 'sepal width', 'petal length', 'petal width'
iris_feature = u'花萼长度', u'花萼宽度', u'花瓣长度', u'花瓣宽度'

if __name__ == "__main__":
       warnings.filterwarnings(action='ignore')
       mpl.rcParams['font.sans-serif'] = [u'SimHei']  # 黑体 FangSong/KaiTi
       mpl.rcParams['axes.unicode_minus'] = False

       path = './iris.data'  # 数据文件路径
       data = pd.read_csv(path, header=None)
       x_prime = data[range(4)]
       y = pd.Categorical(data[4]).codes

       feature_pairs = [[0, 1], [0, 2], [0, 3], [1, 2], [1, 3], [2, 3]]
       plt.figure(figsize=(10, 9), facecolor='#FFFFFF')
       for i, pair in enumerate(feature_pairs):
              
               # 准备数据
               x = x_prime[pair]
              
               # 随机森林
               base_estimator= RandomForestClassifier(n_estimators=200, criterion='entropy', max_depth=3)
               # learning_rate=0.5衰减因子,提高泛化能力,降低过拟合性
               clf = AdaBoostClassifier(base_estimator=base_estimator, n_estimators=20, learning_rate=0.5)
               clf.fit(x, y.ravel())
              
               # 画图
               N, M = 50, 50  # 横纵各采样多少个值
               x1_min, x2_min = x.min()
               x1_max, x2_max = x.max()
               t1 = np.linspace(x1_min, x1_max, N)
               t2 = np.linspace(x2_min, x2_max, M)
               x1, x2 = np.meshgrid(t1, t2)  # 生成网格采样点
               x_test = np.stack((x1.flat, x2.flat), axis=1)  # 测试点
              
               # 训练集上的预测结果
               y_hat = clf.predict(x)
               y = y.reshape(-1)
               c = np.count_nonzero(y_hat == y)    # 统计预测正确的个数
               print('特征:  ', iris_feature[pair[0]], ' + ', iris_feature[pair[1]],end='/t')
               print('/t预测正确数目:', c, end='/t')
               print('/t准确率: %.2f%%' % (100 * float(c) / float(len(y))))
              
               # 显示
               cm_light = mpl.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
               cm_dark = mpl.colors.ListedColormap(['g', 'r', 'b'])
               y_hat = clf.predict(x_test)  # 预测值
               y_hat = y_hat.reshape(x1.shape)  # 使之与输入的形状相同
               plt.subplot(2, 3, i+1)
               plt.pcolormesh(x1, x2, y_hat, cmap=cm_light)  # 预测值
               plt.scatter(x[pair[0]], x[pair[1]], c=y, edgecolors='k', cmap=cm_dark)  # 样本
               plt.xlabel(iris_feature[pair[0]], fontsize=14)
               plt.ylabel(iris_feature[pair[1]], fontsize=14)
               plt.xlim(x1_min, x1_max)
               plt.ylim(x2_min, x2_max)
               plt.grid()
       plt.tight_layout(2.5)
       plt.subplots_adjust(top=0.92)
       plt.suptitle(u'AdaBoost对鸢尾花数据的两特征组合的分类结果', fontsize=18)
       plt.show()

特征:   花萼长度  +  花萼宽度		预测正确数目: 128		准确率: 85.33%
特征:   花萼长度  +  花瓣长度		预测正确数目: 144		准确率: 96.00%
特征:   花萼长度  +  花瓣宽度		预测正确数目: 145		准确率: 96.67%
特征:   花萼宽度  +  花瓣长度		预测正确数目: 144		准确率: 96.00%
特征:   花萼宽度  +  花瓣宽度		预测正确数目: 143		准确率: 95.33%
特征:   花瓣长度  +  花瓣宽度		预测正确数目: 149		准确率: 99.33%

6.6 AdaBoost实战

未经允许不得转载:作者:1147-柳同学, 转载或复制请以 超链接形式 并注明出处 拜师资源博客
原文地址:《6.6 AdaBoost实战》 发布于2021-01-25

分享到:
赞(0) 打赏

评论 抢沙发

评论前必须登录!

  注册



长按图片转发给朋友

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

微信扫一扫打赏

Vieu3.3主题
专业打造轻量级个人企业风格博客主题!专注于前端开发,全站响应式布局自适应模板。

登录

忘记密码 ?

您也可以使用第三方帐号快捷登录

Q Q 登 录
微 博 登 录