1. Bagging
Bagging即套袋法，其算法过程如下：
从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）
2. 算法设计过程
1.
2.
2.1. 随机采样方法
样本总数150条(Iris数据集)
抽样方法是有放回随机抽样。对150个样本的数据集，进行150次又放回随机采样，这样得到具有和原样本空间同等大小的样本集。
这样操作次，得到训练样本。33个用决策树C50，34个朴素贝叶斯，33个用KNN。
2.2. 模型评价方法
2.2.1. 包外错误率
由抽样方法可知，每次抽样大约有36.8%的数据未被抽到，这36.8%将作为包外数据，包外错误率：
图 1 包外错误率
2.2.2. 成对多样性度量
a->两个个体学习器对同一条数据(h1=h2=Class)，分类都与原数据集分类相同的总和
b->两个个体学习器对同一条数据(h1=class,h2!=Class)
c->两个个体学习器对同一条数据(h1!=class,h2=Class)
d->两个个体学习器对同一条数据(h1!=class,h2!=Class)，分类都与原数据集分类都不相同的总和
K统计量
Q统计量
相关系数
不一致度量
表1两个分类器的分类结果组合情况
|
|
|
|
|
|
|
|
|
|
|
|
图2 多样性度量矩阵
2.3. 伪代码
|
输入： 输出： |
|
过程： for i to T
end for i to T for j=i+1 to T 统计a,b,c,d 计算
end end |
3. 附录
数据集简介：
表2 iris
|
sepal length |
萼片长度 |
sepal width |
萼片宽度 |
petal length |
花瓣长度 |
petal width |
花瓣宽度 |
|
Class |
Iris-setosa -> 1 Iris-versicolor -> 2 Iris-virginica-> 3 |
R语言中的坑
第一次用R语言
例如
testData<-read.csv("G:\\testData.csv", header = FALSE)
将数据集导入之后 调用相关KNN NavieBayes等函数无法成功 原因是在导入的时候 数据集的class列 被自动转换成了整型(int)
tempTrain[,nc]<-as.factor(tempTrain[,nc])
调用as.factor()将class转换为因子 就可解决
还有 代码重复利用率低的问题 在下一次更新代码之中 可以解决
感谢大家批评指正