曲调RobustBoost
的RobustBoost
算法在训练数据存在噪声的情况下也能进行很好的分类预测。但是,默认的RobustBoost
参数可以产生一个不能很好预测的集合。这个例子展示了调整参数以获得更好的预测准确性的一种方法。
生成带有标签噪声的数据。本例每个观测值有20个均匀随机数,并将观测值分类为1
如果前五个数字的和超过2.5(因此大于平均值),并且0
否则:
rng (0,“旋风”)再现率%Xtrain = rand(2000,20);Ytrain = sum(Xtrain(:,1:5),2) > 2.5;
为了添加噪声,随机切换10%的分类:
Idx = randsample(2000,200);Ytrain(idx) = ~Ytrain(idx);
用AdaBoostM1
为了便于比较:
ada = fitcensemble(x火车,y火车,“方法”,“AdaBoostM1”,...“NumLearningCycles”, 300,“学习者”,“树”,“LearnRate”, 0.1);
用RobustBoost
.因为数据有10%的错误分类,也许15%的错误目标是合理的。
rb1 = fitcensemble(Xtrain,Ytrain,“方法”,“RobustBoost”,...“NumLearningCycles”, 300,“学习者”,“树”,“RobustErrorGoal”, 0.15,...“RobustMaxMargin”1);
请注意,如果您将错误目标设置为足够高的值,那么软件将返回一个错误。
创建一个误差目标非常乐观的集合,0.01
:
rb2 = fitcensemble(Xtrain,Ytrain,“方法”,“RobustBoost”,...“NumLearningCycles”, 300,“学习者”,“树”,“RobustErrorGoal”, 0.01);
比较三种集合的复代误差:
图绘制(resubLoss (rb1“模式”,“累积”));持有在情节(resubLoss而已,“模式”,“累积”),“r——”);情节(resubLoss (ada,“模式”,“累积”),“g”。);持有从;包含(“树的数量”);ylabel (“Resubstitution错误”);传奇(“ErrorGoal = 0.15”,“ErrorGoal = 0.01”,...“AdaBoostM1”,“位置”,“不”);
所有的RobustBoost
曲线显示出较低的再置换误差AdaBoostM1
曲线。的误差目标0.01
曲线显示了在大部分范围内最低的再置换误差。
Xtest = rand(2000,20);Ytest = sum(Xtest(:,1:5),2) > 2.5;Idx = randsample(2000,200);Ytest(idx) = ~Ytest(idx);图;情节(损失(rb1 Xtest,欧美,“模式”,“累积”));持有在情节(损失(Xtest而已,欧美,“模式”,“累积”),“r——”);情节(损失(ada Xtest,欧美,“模式”,“累积”),“g”。);持有从;包含(“树的数量”);ylabel (测试错误的);传奇(“ErrorGoal = 0.15”,“ErrorGoal = 0.01”,...“AdaBoostM1”,“位置”,“不”);
误差目标为0.15的误差曲线在绘制的范围内最低(最好)。AdaBoostM1
具有更高的误差比曲线误差目标0.15。在大多数绘制的范围内,过于乐观的误差目标0.01的曲线仍然大大高于(更差)其他算法。