Mejorar Adaboost que usa regresión logística ponderada en lugar de árboles de decisión
Implementé Adaboost usando regresión logística ponderada en lugar de árboles de decisión y logré llegar a un error de 0.5%, estoy tratando de mejorarlo durante días sin éxito y sé que es posible llegar con él a un error de 0%, espero que los chicos podrían ayudarme a hacerlo.
Mi algoritmo de regresión logística:
Lg.py:
import numpy as np
from scipy.optimize import fmin_tnc
class LogistReg:
def __init__(self,X,y,w):
self.X = np.c_[np.ones((X.shape[0],1)),X]
self.y = np.copy(y[:,np.newaxis])
self.y[self.y==-1]=0
self.theta = np.zeros((self.X.shape[1],1))
self.weights = w
def sigmoid(self, x):
return 1.0/(1.0 + np.exp(-x))
def net_input(self, theta, x):
return np.dot(x,theta)
def probability(self,theta, x):
return self.sigmoid(self.net_input(theta,x))
def cost_function(self,theta,x,y):
m = x.shape[0]
tmp = (y*np.log(self.probability(theta,x)) + (1-y)*np.log(1-self.probability(theta,x)))
total_cost = -(1.0/m )* np.sum(tmp*self.weights)/np.sum(self.weights)
return total_cost
def gradient(self,theta,x,y):
m = x.shape[0]
return (1.0/m)*np.dot(x.T,(self.sigmoid(self.net_input(theta,x))-y)*self.weights)
def fit(self):
opt_weights = fmin_tnc(func=self.cost_function,x0=self.theta,fprime=self.gradient,
args=(self.X,self.y.flatten()))
self.theta = opt_weights[0][:,np.newaxis]
return self
def predict(self,x):
tmp_x = np.c_[np.ones((x.shape[0],1)),x]
probs = self.probability(self.theta,tmp_x)
probs[probs<0.5] = -1
probs[probs>=0.5] = 1
return probs.squeeze()
def accuracy(self,x, actual_clases, probab_threshold = 0.5):
predicted_classes = (self.predict(x)>probab_threshold).astype(int)
predicted_classes = predicted_classes.flatten()
accuracy = np.mean(predicted_classes == actual_clases)
return accuracy*100.0
Mi Adaboost usando WLR:
adaboost_lg.py:
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.linear_model import LogisticRegression
import matplotlib.pyplot as plt
from sklearn.datasets import make_gaussian_quantiles
from sklearn.model_selection import train_test_split
from plotting import plot_adaboost, plot_staged_adaboost
from Lg import LogistReg
class AdaBoostLg:
""" AdaBoost enemble classifier from scratch """
def __init__(self):
self.stumps = None
self.stump_weights = None
self.errors = None
self.sample_weights = None
def _check_X_y(self, X, y):
""" Validate assumptions about format of input data"""
assert set(y) == {-1, 1}, 'Response variable must be ±1'
return X, y
def fit(self, X: np.ndarray, y: np.ndarray, iters: int):
""" Fit the model using training data """
X, y = self._check_X_y(X, y)
n = X.shape[0]
# init numpy arrays
self.sample_weights = np.zeros(shape=(iters, n))
self.stumps = np.zeros(shape=iters, dtype=object)
self.stump_weights = np.zeros(shape=iters)
self.errors = np.zeros(shape=iters)
# initialize weights uniformly
self.sample_weights[0] = np.ones(shape=n) / n
for t in range(iters):
# fit weak learner
curr_sample_weights = self.sample_weights[t]
stump = LogistReg(X,y,curr_sample_weights)
#stump = LogisticRegression()
#stump = stump.fit(X, y, sample_weight=curr_sample_weights)
stump = stump.fit()
# calculate error and stump weight from weak learner prediction
stump_pred = stump.predict(X)
err = curr_sample_weights[(stump_pred != y)].sum()# / n
stump_weight = np.log((1 - err) / err) / 2
# update sample weights
new_sample_weights = (
curr_sample_weights * np.exp(-stump_weight * y * stump_pred)
)
new_sample_weights /= new_sample_weights.sum()
# If not final iteration, update sample weights for t+1
if t+1 < iters:
self.sample_weights[t+1] = new_sample_weights
# save results of iteration
self.stumps[t] = stump
self.stump_weights[t] = stump_weight
self.errors[t] = err
return self
def predict(self, X):
""" Make predictions using already fitted model """
stump_preds = np.array([stump.predict(X) for stump in self.stumps])
return np.sign(np.dot(self.stump_weights, stump_preds))
def make_toy_dataset(n: int = 100, random_seed: int = None):
""" Generate a toy dataset for evaluating AdaBoost classifiers """
n_per_class = int(n/2)
if random_seed:
np.random.seed(random_seed)
X, y = make_gaussian_quantiles(n_samples=n, n_features=2, n_classes=2)
return X, y*2-1
# assign our individually defined functions as methods of our classifier
if __name__ =='__main__':
X, y = make_toy_dataset(n=10, random_seed=10)
# y[y==-1] = 0
plot_adaboost(X, y)
clf = AdaBoostLg().fit(X, y, iters=20)
#plot_adaboost(X, y, clf)
train_err = (clf.predict(X) != y).mean()
#print(f'Train error: {train_err:.1%}')
plot_staged_adaboost(X, y, clf, 20)
plt.show()
El resultado de la vigésima iteración:
El resultado de la 50a iteración:
Me parece que la máquina no está aprendiendo en cada iteración de regresión. Obtengo el mismo resultado, incluso después de la 50ª iteración. Me gustaría saber qué estoy haciendo mal, ¿tal vez mi función de ajuste no se implementó bien? o tal vez mi función de costos?
Respuestas
Esto parece ser bastante estándar. Con la regresión logística como estimador base, el impulso adaptativo deja de agregar valor después de muy pocas iteraciones. Reuní un pequeño cuaderno para ilustrar, usando sklearns AdaBoostClassifier, que te permite configurar el tuyo base_estimator.)
Tenga en cuenta que, a diferencia del aumento de gradiente, en teoría puede obtener un modelo no lineal al final, porque la función de enlace sigmoide se aplica a cada uno de los modelos base antes de promediar las predicciones, no después de sumar. Sin embargo, los ejemplos en el cuaderno no muestran resultados fuertemente no lineales. Sospecho que esto se debe a que la regresión logística se ajusta demasiado bien, de modo que los puntos mal clasificados están "equilibrados" de tal manera que las iteraciones posteriores no tienen mucho efecto.
Para construir a partir de otro comentario, impulsar con un estimador de base lineal no agrega complejidad como lo haría con los árboles. Entonces, para aumentar la precisión en esta configuración, debe inyectar esa complejidad (dimensiones adicionales donde los datos se pueden separar linealmente) generalmente agregando términos de interacción o términos de expansión polinomial y dejar que el impulso se encargue de la regularización de sus coeficientes.
Sklearn tiene un método simple para la expansión de polinomios con y sin términos de interacción: https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.PolynomialFeatures.html