結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的穩(wěn)健Boosting方法

羅森林， 趙惟肖， 潘麗敏

(北京理工大學(xué) 信息與電子學(xué)院，北京 100081)

Boosting是模式識別和機器學(xué)習(xí)領(lǐng)域中一類重要的集成學(xué)習(xí)算法，它可以將分類準(zhǔn)確率僅比隨機猜測略好的弱學(xué)習(xí)器增強為分類準(zhǔn)確率高的強學(xué)習(xí)器[1-2]. 在各種Boosting算法中，AdaBoost[3]是第一個成功將其思想應(yīng)用在實踐中的算法，并在代價敏感分類[4]、郵件過濾[5]、人臉識別、視頻跟蹤[6]等諸多問題上表現(xiàn)出優(yōu)異的性能，在學(xué)術(shù)界和工業(yè)界被廣泛使用.

AdaBoost算法的思想是，在每一輪迭代中，不斷加大錯誤分類樣本的權(quán)重，降低正確分類樣本的權(quán)重，使分類器聚焦于被錯分類的樣本. AdaBoost通常有著很好的泛化能力，不易過擬合[3]. 然而，當(dāng)訓(xùn)練數(shù)據(jù)含有較多標(biāo)簽噪聲時，被錯分類的樣本往往是噪聲樣本，AdaBoost的指數(shù)損失函數(shù)使得錯分類的噪聲樣本的權(quán)重以指數(shù)速率增加，迫使子分類器過度關(guān)注噪聲樣本，導(dǎo)致學(xué)習(xí)效果的急劇下降[7]. 在復(fù)雜的真實數(shù)據(jù)中，常常包含不可忽略的噪聲，例如，在生物醫(yī)學(xué)數(shù)據(jù)中，很難得到不含任何噪聲的樣本標(biāo)簽. 因此，使AdaBoost算法克服噪聲敏感性并在噪聲環(huán)境中表現(xiàn)地更加穩(wěn)健，是其理論和應(yīng)用研究的重要方向[8].

現(xiàn)有AdaBoost抗噪算法的研究主要包括控制樣本權(quán)重的調(diào)整、刪除可疑樣本和優(yōu)化損失函數(shù)3種改進(jìn)方向. 其中，先刪除可疑樣本再進(jìn)行訓(xùn)練的方式能夠簡單有效地排除部分噪聲樣本的干擾，但這種硬性的處理會造成少數(shù)正常樣本的丟失，同時無法排除訓(xùn)練集中其他未被明確識別的噪聲樣本；通過選用比AdaBoost的指數(shù)損失更平滑的損失函數(shù)，可以使得錯分類樣本的權(quán)重以低于指數(shù)速率增長，從而減弱對錯分類樣本的關(guān)注，減少噪聲帶來的損害. 但現(xiàn)有大多數(shù)方法的損失函數(shù)都是固定的，無法對錯分類的正常樣本和噪聲進(jìn)行有效區(qū)分.

隨著AdaBoost算法在1996年的提出，針對其噪聲敏感性問題的改進(jìn)算法不斷涌現(xiàn). 現(xiàn)有的AdaBoost抗噪算法的研究主要包括控制樣本權(quán)重的調(diào)整、刪除可疑樣本和優(yōu)化損失函數(shù)3種改進(jìn)方向.

① 控制算法迭代中的權(quán)重調(diào)整方向，從而減少訓(xùn)練集中噪聲樣本或異常值的影響. MadaBoost[9]算法記錄訓(xùn)練集各樣本的初始權(quán)重，在迭代中進(jìn)行權(quán)重有界化處理，防止出現(xiàn)權(quán)重任意擴增的情形. RADA[10]算法在迭代過程中引入記憶因子，記錄樣本權(quán)重的增減過程，從而更好地調(diào)整那些反復(fù)錯分樣本的權(quán)重更新方向.

② 關(guān)注錯分類的噪聲樣本本身，先刪除可疑樣本再進(jìn)行訓(xùn)練. Vezhnevets[11]直接對可疑樣本進(jìn)行刪除. EdaBoost[12]算法使用加權(quán)KNN識別可疑樣本，并對這些樣本的權(quán)重賦予0值. Angelova[13]通過在原始訓(xùn)練集上采樣，訓(xùn)練多個分類器對樣本進(jìn)行判定，若不同分類器判定結(jié)果差異性較大，則視為噪聲并刪除，從而避免可疑樣本的干擾.

③ 選用比AdaBoost的指數(shù)損失更平滑的損失函數(shù)，使錯分類樣本的權(quán)重不再以指數(shù)速率增長. LogitBoost選擇Logit函數(shù)代替AdaBoost中的指數(shù)函數(shù)，使錯分類的噪聲樣本的權(quán)重以對數(shù)速率擴增，擴增速度較指數(shù)損失更緩慢. SavageBoost[14]算法優(yōu)化的Savage損失函數(shù)不會無限制地增大對錯分類樣本的懲罰，因此降低了算法對噪聲數(shù)據(jù)的敏感性. RBoost[15]算法在Savage函數(shù)的基礎(chǔ)上改進(jìn)得到了更平滑的Savage2損失函數(shù). SPBL[16]算法將自步學(xué)習(xí)的思想運用在AdaBoost上. CBAdaBoost[17]算法采用了3種置信度準(zhǔn)則進(jìn)行樣本嫌疑大小的估計. 部分研究直接優(yōu)化0-1損失，這是一個NP難問題，只能做近似處理[18].

針對現(xiàn)有刪除可疑樣本和優(yōu)化損失函數(shù)改進(jìn)方法中存在的問題，本文提出一種結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的穩(wěn)健Boosting方法RLBoost(revised-logit-loss boosting method). 首先，對可疑樣本不進(jìn)行硬性的刪除，而是采用加權(quán)KNN進(jìn)行預(yù)處理，得到所有樣本的噪聲先驗概率，對樣本的噪聲可能性進(jìn)行評判. 其次，通過將噪聲概率參數(shù)引入Logit損失，構(gòu)建能根據(jù)噪聲概率提供不同權(quán)重擴增策略的損失函數(shù)，使噪聲概率低的樣本的權(quán)重仍能以較快速度增長，以便分類器更好地學(xué)習(xí)這些難以正確分類的樣本，同時給予噪聲概率高的樣本較大的懲罰，迫使分類器盡可能少地關(guān)注噪聲樣本，從而實現(xiàn)對錯分類的正常樣本和噪聲的有效區(qū)分. 最后，采用自適應(yīng)牛頓法進(jìn)行損失函數(shù)的優(yōu)化求解，自適應(yīng)牛頓法[9]是Boosting常用的損失函數(shù)求解方法，和AdaBoost的前向分步可加模型相比，能夠利用二階導(dǎo)數(shù)信息，求得損失函數(shù)條件期望的更準(zhǔn)確下降方向. 實驗結(jié)果表明，和其他Boosting穩(wěn)健算法相比，提出方法在不同噪聲水平下均表現(xiàn)出較高的穩(wěn)健性，在真實醫(yī)療數(shù)據(jù)集上的不同評價指標(biāo)結(jié)果均有一定提升.

1 改進(jìn)算法理論基礎(chǔ)

1.1 Logit損失分析

LogitBoost使用比AdaBoost的指數(shù)損失更平滑的Logit損失函數(shù). 圖1為指數(shù)損失函數(shù)和Logit損失函數(shù)的示意圖，其中橫軸為分類間隔yf(x)，縱軸為損失函數(shù). 若某樣本x的分類間隔為負(fù)值，說明該樣本被錯分類，負(fù)數(shù)的絕對值越大，說明該樣本被錯分類的結(jié)果越可信. 如圖 1所示，指數(shù)損失函數(shù)隨分類間隔的增加呈φE=e-yf(x)的指數(shù)型增長，意味著在每次迭代中，錯分類樣本的權(quán)重會以指數(shù)速率增加. Logit損失函數(shù)隨分類間隔增加呈φL=ln(1+e-2yf(x))的對數(shù)型增長，在含有較多標(biāo)簽噪聲時，錯分類的噪聲樣本的權(quán)重以對數(shù)速率擴增，擴增速度較指數(shù)損失更緩慢. 但Logit損失函數(shù)同樣會出現(xiàn)隨分類間隔增加，損失無限增長的情況，造成噪聲樣本權(quán)重在每輪迭代中持續(xù)累加，子分類器聚焦于不應(yīng)過多關(guān)注的噪聲樣本，最終將分類器引導(dǎo)向錯誤的學(xué)習(xí)方向.

圖1 指數(shù)損失函數(shù)和Logit損失函數(shù)Fig.1 Exponential loss function and Logit loss function

1.2 Logit損失的自適應(yīng)牛頓法求解

LogitBoost算法使用自適應(yīng)牛頓法進(jìn)行損失函數(shù)的求解，與AdaBoost算法使用的前向分步可加模型相比，自適應(yīng)牛頓法具有更穩(wěn)健的學(xué)習(xí)效果，可以求解每一輪迭代的理論最優(yōu)子分類器[19]. Boosting以線性可加方式優(yōu)化損失函數(shù)的期望，每一輪迭代在現(xiàn)有分類器F(x)的基礎(chǔ)上，加入新的子分類器f(x)，使損失函數(shù)的期望盡可能多地減少[20]. 利用泰勒公式將損失函數(shù)L(F(x)+f(x))在現(xiàn)有分類模型F(x)處展開到二次為

(1)

F(x)←F(x)-s(x)/H(x)

(2)

在每一步迭代中需要計算?L/?F|f(x)=0和?2L/?F2|f(x)=0，當(dāng)損失函數(shù)為φL=ln(1+e2yf(x))時，可得到LogitBoost每一輪迭代的最優(yōu)子分類器為

(3)

(4)

若樣本的概率估計p(y=1|x)和p(y=-1|x)接近0.5，說明該樣本在決策邊界的附近，錯分概率高. 反之，當(dāng)兩者的值越接近0或1時，說明該樣本錯分概率越小，結(jié)果可信度越高. 據(jù)此對樣本權(quán)重w進(jìn)行更新

w←p(x)(1-p(x)).

(5)

LogitBoost[19]算法實現(xiàn)的偽代碼如下，具體實現(xiàn)步驟如下.

Algorithm：LogitBoost

Input：訓(xùn)練樣本集S{(x1,y1),…,(xN,yN)}，

fort=1,2,…,Tdo

2 更新權(quán)重wi=p(xi)(1-p(xi))

3 以權(quán)重wi計算xi到zi的加權(quán)最小二乘回歸，得到子分類器ft(x)

end for

輸入二分類訓(xùn)練樣本集，初始化時對所有訓(xùn)練樣本的權(quán)重做歸一化處理，設(shè)定樣本的概率估計p(x)為1/2，設(shè)置算法迭代次數(shù)為T.

在算法迭代過程中，根據(jù)式(3)計算響應(yīng)(步驟1)，根據(jù)式(5)更新樣本權(quán)重(步驟2). 通過擬合加權(quán)樣本到響應(yīng)的最小二乘回歸，求解子分類器ft(x)(步驟3). 集成子分類器得到迭代過程中的分類模型F(x)，由式(4)計算樣本的概率估計p(x)(步驟4).

輸出為迭代訓(xùn)練得到的各子分類器集成的強分類器.

2 RLBoost算法

2.1 原理框架

結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的穩(wěn)健Boosting方法原理框架如圖 2所示，方法通過基于加權(quán)KNN的噪聲預(yù)判斷，得到所有樣本的噪聲先驗概率. 將概率參數(shù)與Logit損失函數(shù)融合，構(gòu)建能根據(jù)噪聲概率提供不同權(quán)重擴增策略的損失函數(shù)，并使用自適應(yīng)牛頓法進(jìn)行損失函數(shù)的優(yōu)化求解. 在每次迭代中，綜合考慮分類結(jié)果和噪聲概率作為指導(dǎo)下次迭代中子分類器構(gòu)建的依據(jù).

圖2 結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的穩(wěn)健Boosting方法原理圖Fig.2 Principle diagram of the robust Boosting method combining weighted KNN and adaptive newton method

2.2 加權(quán)KNN的噪聲先驗估計

KNN是一種用于分類及回歸的非參數(shù)統(tǒng)計方法，同時也是最簡單的機器學(xué)習(xí)算法之一. 在進(jìn)行待分類樣本的分類決策時，KNN算法只依據(jù)與待分類樣本最鄰近的K個樣本點的類別來決定其所屬類別. 加權(quán)KNN在KNN的基礎(chǔ)上進(jìn)行了一定改進(jìn)，給予距離待分類樣本更近的樣本點更大的權(quán)重[21]. 當(dāng)K值較大時，加權(quán)KNN算法中對樣本分類起確定性作用的仍是較近的樣本點，對K值的選取表現(xiàn)出較高的穩(wěn)健性.

KNN類算法的核心思想是，特征空間中鄰近的樣本點大多屬于同一類別. 在二分類問題中，若一個正類樣本最鄰近的K個樣本大多為負(fù)類，那么這個正類樣本有很大可能是噪聲. 更進(jìn)一步地，對于任意樣本，若K個近鄰中與其有不同標(biāo)簽的近鄰個數(shù)越多，則可認(rèn)為該樣本是噪聲樣本的概率越大. 提出算法采用加權(quán)KNN計算噪聲先驗概率，對每一個樣本進(jìn)行數(shù)據(jù)集的掃描，為其找到K個特征空間中相似度最高的近鄰點，再以K個近鄰標(biāo)簽的加權(quán)投票結(jié)果求解噪聲概率w

(6)

式中，w的取值范圍為[0,1]，w值越大，表明加權(quán)KNN方法判斷該樣本為噪聲的概率越大. K表示樣本(x,y)在數(shù)據(jù)集中相似度最高的K個近鄰的集合，Dj為第j個近鄰的權(quán)重，I(yj=-y)在滿足第j個近鄰的標(biāo)簽和樣本標(biāo)簽不同時取值為1，否則取值為0.

2.3 RL損失函數(shù)

結(jié)合基于加權(quán)KNN得到的噪聲先驗概率，構(gòu)建RL損失函數(shù)(revised logit loss function)，可解決1.2中隨分類間隔增加，指數(shù)損失和Logit損失無限增長的問題. 新?lián)p失函數(shù)建立在Logit損失的基礎(chǔ)上，此時分類器對訓(xùn)練樣本x的預(yù)測損失取Logit損失φL=ln(1+e-2yf(x)). 在含樣本噪聲的問題中，已知y為訓(xùn)練樣本包含噪聲時的標(biāo)簽，但實際上想要作為標(biāo)簽使用的是樣本未包含噪聲的真實標(biāo)簽. 設(shè)真實標(biāo)簽為z，z是不可觀測的，可得到在二分類問題下對應(yīng)Logit損失φL的期望值

Ez|x[log(1+e-2yf(x))]=P(z=y|x)×

ln(1+e-2yf(x))+P(z=-y|x)ln(1+e2yf(x))

(7)

建立的改進(jìn)后Logit損失函數(shù)φRL為

φRL=w1ln(1+e-2yf(x))+w2ln(1+e2yf(x))

(8)

式中，w1=P(z=y|x)=1-w，w2=P(z=-y|x)=w，w取值由式(6)得到，w2越大，則該樣本為噪聲的概率越大. 不同w2取值時RL損失函數(shù)取值和分類間隔yf(x)的對應(yīng)關(guān)系如圖 3所示. 當(dāng)w2取值為0時，損失函數(shù)為Logit損失. 隨著w2逐漸增加，樣本為噪聲的嫌疑加大，RL損失隨分類間隔的增加呈現(xiàn)出的增長趨勢逐漸放緩. 當(dāng)w2取值增加到1時，即當(dāng)判斷樣本為噪聲的概率很大時，隨分類間隔的增加，RL損失始終趨近于0. 意味著對于噪聲概率高的樣本，構(gòu)建的新?lián)p失函數(shù)可以解決隨分類間隔增加，指數(shù)損失和Logit損失無限增長的問題，從而避免噪聲樣本權(quán)重在每輪迭代中持續(xù)累加，子分類器聚焦于噪聲樣本的情況. 而對于噪聲概率低的樣本，隨分類間隔增加，損失仍能以較快速率增長，保證了算法的有效性.

圖3 RL損失函數(shù)Fig.3 The RL loss function

為嚴(yán)格遵循Boosting理論框架設(shè)計噪聲穩(wěn)健Boosting算法，需要證明構(gòu)建的RL損失函數(shù)具有Fisher一致性. Fisher一致性原則要求損失函數(shù)L(x,y,f(x))的總體最小化能夠收斂到貝葉斯決策. 可以證明AdaBoost使用的指數(shù)損失函數(shù)以及LogitBoost使用的Logit損失函數(shù)都具有Fisher一致性[22].

命題：RL損失函數(shù)具有Fisher一致性，即在極限情況下可收斂到貝葉斯決策.

證明：對于優(yōu)化問題

f*(x)=argminEy|x[φRL(yf(x))|x]

(9)

式中，f*(x)是使公式(8)具有最小期望風(fēng)險的決策，記η1(x)=P(y=1|x)，η2(x)=P(y=-1|x),代表含噪聲后標(biāo)簽為1和-1的概率. 將式(9)展開為

f*(x)=argminLRL=

argmin[η1(x)(w1ln(1+e-2f(x))+

w2ln(1+e2f(x)))+η2(x)w1ln(1+e2f(x))+

w2ln(1+e-2f(x)))]

(10)

期望風(fēng)險LRL對f(x)求導(dǎo)并令導(dǎo)數(shù)為0，求解過程及求得的最優(yōu)f*(x)為

(11)

(12)

式中:η1(x)和η2(x)分別為含噪聲時標(biāo)簽為1和-1的情況;w1和w2為判斷為正常樣本和噪聲的概率. 容易得到，η1(x)w1+η2(x)w2是判斷真實情況后的P(z=1|x)，同理，η1(x)w1+η2(x)w2是判斷后的P(z=1|x)，得到f*(x)為

(13)

2.4 RL損失的自適應(yīng)牛頓法求解

(14)

(15)

y∈{-1,1}

(16)

由式(13)可求得

(17)

令p(x)=P(z=1|x)，當(dāng)w1值越大，相應(yīng)w2值越小時，說明該樣本為正常樣本的概率越大，可以給予越高權(quán)重. 在回歸擬合時，選擇以w1p(x)(1-p(x))作為樣本的權(quán)重，進(jìn)行加權(quán)回歸，使子分類器更加關(guān)注在決策邊界附近且噪聲概率較小的錯分樣本. 在RLBoost算法迭代過程中對w1和w2進(jìn)行更新

w1←w1p(x)(1-p(x)),w2←w2p(x)(1-p(x))

(18)

總結(jié)以上過程，可得結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的噪聲穩(wěn)健算法RLBoost，算法實現(xiàn)的偽代碼如下.

Algorithm：RLBoost

Input：訓(xùn)練樣本集S{(x1,y1)}),…,(xN,yN)}，其中y∈{-1,+1}

InitializeF(x)=0，p(x)=1/2,w1i=1-wi,w2i=wi,i=1,2,…,N

fort=1,2…,Tdo

2 更新權(quán)重w1i←w1ip(xi)(1-p(xi))，w2i←w2ip(xi)(1-p(xi))

3 以權(quán)重w1i計算xi到zi的加權(quán)最小二乘回歸，得到子分類器ft(x)

end for

具體實現(xiàn)步驟如下：

輸入二分類訓(xùn)練樣本集，初始化時對所有訓(xùn)練樣本的權(quán)重做歸一化處理，設(shè)定樣本的概率估計p(x)為1/2，由式(6)得到每個樣本的噪聲先驗概率w，設(shè)置算法迭代次數(shù)為T.

在算法迭代過程中，根據(jù)式(16)計算響應(yīng)(步驟1)，根據(jù)式(18)更新樣本權(quán)重(步驟2). 通過擬合加權(quán)樣本到響應(yīng)的最小二乘回歸，求解子分類器ft(x)(步驟3). 集成子分類器得到迭代過程中的分類模型F(x)，由式(17)計算樣本的概率估計p(x)(步驟4).

輸出為迭代訓(xùn)練得到的各子分類器集成的強分類器.

3 實驗分析

3.1 不同噪聲水平下的穩(wěn)健性驗證實驗

3.1.1實驗數(shù)據(jù)

實驗數(shù)據(jù)選用來源于UCI的7個二分類數(shù)據(jù)集，具體見表1. 數(shù)據(jù)集涵蓋心臟病篩查、乳腺X光檢查、信用卡申請、政治投票和蘑菇毒性檢測等應(yīng)用場景，包含小樣本數(shù)據(jù)集(270條)和較大樣本數(shù)據(jù)集(8 124條).

表1 實驗數(shù)據(jù)集

3.1.2評價方法

為驗證改進(jìn)Boosting方法在訓(xùn)練集含有不同水平標(biāo)簽噪聲時的穩(wěn)健性，對7個數(shù)據(jù)集的訓(xùn)練集進(jìn)行10%、20%和30%比例的標(biāo)簽翻轉(zhuǎn)，引入相應(yīng)10%、20%和30%水平的標(biāo)簽噪聲. 實驗選用誤差率作為評價指標(biāo)，誤差率越小，則算法在含噪環(huán)境中對噪聲的敏感性越低，表現(xiàn)越穩(wěn)健，其中誤差率為

(19)

式中，TP、TN、EP和FN分別為將正類預(yù)測為正類、負(fù)類預(yù)測為負(fù)類、負(fù)類預(yù)測為正類和正類預(yù)測為負(fù)類的樣本個數(shù).

3.1.3實驗結(jié)果和分析

實驗在10%、20%和30%噪聲水平下，對提出方法和AdaBoost[3]、GentleBoost[19]、LogitBoost[19]、RBoost 4種對比算法的誤差率進(jìn)行比較. AdaBoost的子分類器選用CART分類樹，樹深度為2，迭代次數(shù)為50次. 對于其他所有方法，子分類器算法要求從回歸方法中選擇，選用CART回歸樹，樹深度為2，迭代次數(shù)為50次. 所有算法均以10次10折交叉驗證取平均值的方式計算評價指標(biāo)結(jié)果. RLBoost算法選用加權(quán)KNN對單個樣本為正常樣本或噪聲進(jìn)行初步判斷，最近鄰個數(shù)k和權(quán)重衰減系數(shù)D的可選范圍較廣，在實驗中設(shè)定k為5，D為近鄰樣本與待分類樣本間距離的倒數(shù).

各Boosting算法在10%、20%和30%噪聲水平下的誤差率結(jié)果如表2所示，在7個數(shù)據(jù)集的不同噪聲水平下，RLBoost算法的誤差率相比其他4種算法均有一定程度的降低.

表2 不同噪聲水平下的各Boosting算法誤差率結(jié)果

表2的誤差率結(jié)果統(tǒng)計排名如圖 4所示，在上述的5種Boosting算法的各21組實驗中， RLBoost的實驗結(jié)果表現(xiàn)最優(yōu)，在21組實驗中皆排名第一. 此外，RBoost、GentleBoost、LogitBoost和AdaBoost算法實驗結(jié)果統(tǒng)計排名前3的實驗個數(shù)分別為17、13、10和2，RBoost在4種對比實驗中表現(xiàn)較為優(yōu)秀，AdaBoost則未能表現(xiàn)出較強的競爭力. 實驗結(jié)果表明，本文提出的穩(wěn)健改進(jìn)算法對噪聲的敏感性低于現(xiàn)有算法，在訓(xùn)練集含有噪聲時具有較好的穩(wěn)健性.

圖4 不同噪聲水平下的各Boosting算法誤差率結(jié)果Fig.4 Statistical ranking of testing errors for Boosting algorithms with different noise levels

3.2 真實醫(yī)療數(shù)據(jù)集的穩(wěn)健性驗證實驗

3.2.1實驗數(shù)據(jù)

實驗數(shù)據(jù)選用全國7省市(北京、上海、重慶、黑龍江、四川、陜西、湖南)的13家醫(yī)院于2011～2012年進(jìn)行老年人健康綜合評估問卷調(diào)查得到的橫截面數(shù)據(jù)，其中問卷由中國衛(wèi)生部行業(yè)基金老年健康綜合評估課題組和中國老年人保健及疾病防治聯(lián)盟聯(lián)合設(shè)計. 實驗針對老年人跌倒發(fā)生率高，后果嚴(yán)重的問題進(jìn)行老年人跌倒檢測. 數(shù)據(jù)包含年齡、性別、是否有骨關(guān)節(jié)病、是否自發(fā)性骨折、是否尿失禁等30維特征變量，以及因記憶偏差、填寫或錄入錯誤等原因引入噪聲的“近一年是否有兩次以上跌倒”二分類標(biāo)簽，通過數(shù)據(jù)預(yù)處理，最終得到可用樣本1 703組.

3.2.2評價方法

對于改進(jìn)Boosting方法在真實醫(yī)療數(shù)據(jù)集上的穩(wěn)健性驗證實驗，選擇誤差率、精確率、召回率和F1值4種評價指標(biāo)進(jìn)行對比. 誤差率越低，其余3種評價指標(biāo)的結(jié)果越高，則算法表現(xiàn)越穩(wěn)健，其中誤差率見式(19)，精確率、召回率和F1值為

(20)

(21)

(22)

式中TP、TN、FP和FN分別為將正類預(yù)測為正類、負(fù)類預(yù)測為負(fù)類、負(fù)類預(yù)測為正類和正類預(yù)測為負(fù)類的樣本個數(shù).

3.2.3實驗結(jié)果和分析

各Boosting算法在真實醫(yī)療數(shù)據(jù)集上的不同評價指標(biāo)結(jié)果如表2所示，實驗參數(shù)選擇見3.1.3. 實驗結(jié)果表明，含有噪聲的真實數(shù)據(jù)集會對算法的穩(wěn)健性有較高要求，傳統(tǒng)AdaBoost由于噪聲敏感性問題的影響，不同評價指標(biāo)的實驗結(jié)果皆未能表現(xiàn)出較強競爭力. 本文提出的RLBoost的不同評價指標(biāo)結(jié)果相比AdaBoost及AdaBoost的3種抗噪改進(jìn)算法均有一定程度的提升，在真實的含噪數(shù)據(jù)集上表現(xiàn)出較好的穩(wěn)健性.

表3 不同評價指標(biāo)下真實醫(yī)療數(shù)據(jù)集實驗結(jié)果

Tab.3 Experimental results of a real medical dataset under different evaluation criterions

評價指標(biāo)AdaBoostGentleBoostLogitBoostRBoostRL-Boost誤差率0.390 690.366 260.349 910.314 240.306 15精確率0.732 060.741 280.753 800.782 460.801 05召回率0.596 090.652 940.657 420.661 900.663 77F1值0.657 110.694 310.702 320.717 150.725 98

4 結(jié) 論

本文提出了結(jié)合加權(quán)KNN和自適應(yīng)牛頓法的穩(wěn)健Boosting方法，方法采用加權(quán)KNN進(jìn)行預(yù)處理，引入所有樣本的噪聲先驗概率. 將概率參數(shù)與Logit損失融合，構(gòu)建了一種能根據(jù)噪聲概率提供不同權(quán)重擴增策略的損失函數(shù)，較好地解決了指數(shù)損失和Logit損失由于函數(shù)無限增長造成的噪聲樣本權(quán)重不斷擴增的問題. 通過自適應(yīng)牛頓法進(jìn)行損失函數(shù)的優(yōu)化求解，使用二階導(dǎo)數(shù)信息，求解出損失函數(shù)條件期望的更準(zhǔn)確下降方向. 實驗結(jié)果表明，和其他Boosting穩(wěn)健改進(jìn)算法相比，提出方法在不同噪聲水平下均具有較高的穩(wěn)健性，在真實醫(yī)療數(shù)據(jù)集上的不同評價指標(biāo)結(jié)果均有一定提升. 證明了提出方法可在含噪數(shù)據(jù)中更準(zhǔn)確地識別真實判別模式，具有一定的理論價值和應(yīng)用價值.