Boosting是一个提高任意给定学习算法准确度的方法。他是一种框架算法，主要是通过对样本集的操作获得样本子集，然后用弱分类算法在样本子集上训练生成一系列的弱分类器。在实际应用中，我们不必费力寻找预测精度高的算法，只需要找到一个比随机猜测略好的弱学习算法，通过Boosting算法就可以将其提升为强学习算法。

Boosting算法的思想是先赋予训练集中每个样本相同的权重，然后进行T次迭代，每次迭代后，对分类错误的样本加大重采样权重，使得在下一次的迭代中更加关注这些样本。这样训练的多个弱分类器进行加权融合，产生一个最后的结果分类器。在这T个弱小分类器中,每个分类器的准确率不一定很高，但他们联合后的结果有很高的准确率，这样便提高了该弱分类算法的准确率。单个弱分类器训练的时候，可以用相同的分类算法，也可以用不同的分类算法，这些算法一般是不稳定的弱分类算法，如神经网络(BP) ,决策树(C4.5)等。

另外，Boosting算法容易收到噪声的影响，这是因为在迭代过程中总是给噪声分配较大的权重，使得这些噪声在以后的迭代中受到更多的关注。Boosting算法也应该选择一个合适的迭代次数T，在某些情况下迭代次数过多容易发生过拟合，可以用交叉验证找到合适的迭代次数。再者，算法运行速度较慢。

自从Boosting算法出现以来，在机器学习领域备受关注，得到了很多应用。可以用于手写字体字符识别、语音识别、医疗诊断、人脸检测等方面。

而我们常常听到的AdaBoost是Boosting发展到后来最具代表性的一类。所谓AdaBoost，即Adaptive Boosting，是指弱分类器根据学习的结果反馈Adaptively调整假设的错误率，所以也不需要任何的先验知识就可以自主训练。下面主要介绍Adaboost算法。

Adaboost

Adaboost算法可以做分类也可以做回归，本文主要介绍分类。其基本思想就是：首先给出任意一个弱学习算法和训练集（x1 , y1），（x2 , y2），…，（xm ,ym），此处x表示样本空间，y为类别值。初始化时，Adaboost为训练集每个样本指定相同的权重为1/m。接着，调用弱学习算法进行T次迭代，每次迭代后，按照训练结果更新训练集每个样本的权重，对于分错的样本赋予较大的权重，使得下一次迭代更加关注这些训练例，从而得到一个预测函数序列h1，h2，…，ht，每个预测函数h,也赋予一个权重，预测效果好的，相应的权重越大。T次迭代之后，在分类问题中最终的预测函数H采用带权重的投票法产生。

GradientBoost

Gradient Boost与传统的Boost的区别是，每一次的计算是为了减少上一次的残差(residual)，而为了消除残差，我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说，在Gradient Boost中，每个新的模型的建立是为了使得之前模型的残差往梯度方向减少，与传统Boost对正确、错误的样本进行加权有着很大的区别。

下面介绍使用方法

Python版本：

1. Adaboost

使用类：

class sklearn.ensemble.AdaBoostClassifier(base_estimator=None, n_estimators=50,learning_rate=1.0, algorithm='SAMME.R', random_state=None)

参数介绍：

base_estimator :(default=DecisionTreeClassifier) 选择哪种若分类器，scikit-learn中的分类器都可以

n_estimators :integer, (default=50) 最大迭代次数

learning_rate :float, (default=1.0) 迭代次数的每个弱分类器权重设置参数

algorithm : {'SAMME', 'SAMME.R'},(default='SAMME.R') 'SAMME.R'的话弱分类器需要支持概率预测，比如逻辑回归；'SAMME'这个是针对离散的变量。

类中方法：

fit(X, y[, sample_weight])

predict(X)

predict_proba(X)

score(X, y[, sample_weight])

注：sckit-learn模型类中方法基本都是类似的，这里就不做介绍，可以看前面的小编写的文章。

使用实例：

#导入AdaBoostClassifier类

from sklearn.ensemble import AdaBoostClassifier

#导入决策树类

from sklearn.tree import DecisionTreeClassifier

import numpy as np

#导入我们需要的数据，scikit-learn自带数据

from sklearn.datasets import load_iris

iris = load_iris()

X = iris.data

y = iris.target

#创建adaboost类

abc =AdaBoostClassifier(DecisionTreeClassifier(max_depth=1),algorithm="SAMME",n_estimators=200)

#拟合adaboost模型

abc.fit(X, y)

#输出每个特征的权重，可以用于特征选择

abc.feature_importances_

#预测

abc.predict([[4.4, 2.9, 1.4, 0.2],[5.9, 3.0, 5.1, 1.8]])

2.Gradient Boost

使用类：

class sklearn.ensemble.GradientBoostingClassifier(loss='deviance', learning_rate=0.1, n_estimators=100,subsample=1.0, min_samples_split=2, min_samples_leaf=1,min_weight_fraction_leaf=0.0, max_depth=3, init=None, random_state=None,max_features=None, verbose=0, max_leaf_nodes=None, warm_start=False,presort='auto')

这里不做详细介绍，使用方法与上面的差不多。

R语言版本：

1.可以用caret包里面的BoostingModels，如下

> model = train(form, data, method,trControl)

method = 'AdaBoost.M1' #adaboost

method = 'xgbTree' #extreme gradient boost

#这里我们adabag包里面的boosting函数来构建adaboost模型

> library(adabag)

#这里我们还是用R语言自带数据集iris

#随机取一些样本做训练集合

> sub = c(sample(1:50,40),sample(51:100,40),sample(101:150,40))

> train = iris[sub,]

#剩下的做测试集

> test = iris[-sub,]

#拟合adaboost模型,boos设置为TRUE表示每次迭代更新样本权重，mfinal为10表示迭代10次，也就是建立10个弱分类器

> adb = boosting(Species ~. ,data = iris, boos=TRUE,mfinal = 10)

#查看feature的权重，可以用于特征选择

> adb$importance

#测试

> predict_result = predict(adb,test[1:4],type="class")

> table(predict_result$class,test$Species)

#这个包有个自带做交叉验证的函数boosting.cv,可以用于找到合适的迭代次数

> for (i in c(5,10,15,20)){

adbcv =boosting.cv(Species ~., v = 5, data = iris, mfinal = i)

cat("mfinal =",i,", error = ",adbcv$error,'\n')

}

#可以看到最大迭代次数为5的时候，就最好。

2. 用xgboost包可以做extremegradient boost，有兴趣可以看看说明文档，用法，也跟上述差不多。