AdaBoost（Adaptive Boosting）算法的核心思想是将多个弱分类器组合成一个强分类器。其算法步骤如下：

• 第一：初始化权重，为每个训练样本分配相等的初始权重；

• 第二：训练弱分类器，根据当前样本权重训练一个弱分类器，并计算其错误率；

• 第三：更新权重，增加错分类样本的权重，使后续弱分类器更关注这些样本，减少正确分类样本的权重；

• 第四：组合分类器，将所有弱分类器的加权结果组合起来，形成最终的强分类器；

• 最后：通过反复迭代以上步骤，AdaBoost 能够显著提高分类性能。

• 1、背景

  当前有一项关于‘信用卡交易欺诈’的数据科学研究，已整理好数据共为1000条，其包括六项，分别是换设备次数，支付失败次数，换IP次数，换IP国家次数，交易金额和欺诈标签，欺诈标签时，数字1表示欺诈，数字0表示没有欺诈行为，现希望通过Adaboost进行模型构建，并且做一些预测工作，部分数据如下图所示：

  

• 2、理论

  在进行Adaboost模型时，其涉及参数如下表所述：

  参数	说明	参数值设置
  损失函数	构建模型的算法方式，通常使用默认参数值即可。	其仅针对回归任务时使用。 linear: 使用预测误差的绝对值来衡量误差的大小。 square: 使用预测误差的平方来衡量误差的大小。 exponential: 使用预测误差的指数值来衡量误差的大小。
  学习器数量	用于构建的树的数量。	默认是50。
  学习率	学习率即模型参数更新步长，越小收敛越快，但迭代次数越多。	范围(0.0, 1.0] 默认0.1。
  任务类型	包括自动判断，分类和回归任务。	系统会结合Y的不同数字个数自动判断分类或回归任务，当然可自行选择分类或回归任务。

  除此之外，与其它的机器学习算法类似，SPSSAU提供训练集比例参数（默认是训练集占0.8，测试集占0.2），数据归一化参数（默认不进行），以及保存预测值（Adaboost时会生成预测类别，但不会生成预测概率），保存训练测试标识（生成一个标题来标识训练集和测试集数据的标识）。

• 3、操作

  本例子操作截图如下：

  

  将欺诈标签放入Y框中，其余5个特征项作为自变量X。与此同时，训练集比例默认为0.8，暂不进行数据归一化，当然当前数据也可考虑做标准化处理，因为涉及数据的量纲不同。更多参数设置暂保持为默认值。

• 4、SPSSAU输出结果

  SPSSAU共输出5项结果，依次为基本信息汇总，特征权重值，训练集或测试集模型评估结果，测试集结果混淆矩阵，模型汇总表和模型代码，如下说明：

  项	说明
  基本信息汇总	因变量Y(标签项)的数据分布情况等。
  特征权重值	展示各个X（特征）对于模型的贡献力度。
  训练集或测试集模型评估结果	分析训练集和测试集数据的模型效果评估，非常重要。
  测试集结果混淆矩阵	测试集数据的进一步效果评估，非常重要。分类任务时提供，如果是回归任务则没有该矩阵。
  模型汇总表	模型参数及评估汇总表格。
  模型代码	模型构建的核心python代码。

  上述表格中，基本信息汇总展示出因变量Y（标签项）的分类分布情况，模型评估结果（包括训练集或测试集）用于模型的拟合效果判断，尤其是测试集的拟合效果，以及提供测试集数据的混淆矩阵结果（如果是分类任务则提供，如果是回归任务则无该表格）；模型汇总表格将各类参数值进行汇总，并且在最后附录模型构建的核心代码。

• 5、文字分析

  首先针对特征的权重即重要性情况进行说明，如下图：

  

  上图可以看到：交易金额对于是否欺诈行为有着非常重要的作用，明显高于其它几项。接下来针对最重要的模型拟合情况进行说明，如下表格：

  

  上表格中分别针对训练集和测试集，提供四个评估指标，分别是精确率、召回率、f1-scrore、准确率，以及平均指标和样本量指标等，整体来看，模型效果较好，因为无论是训练集还是测试集，F1-score值均高于0.9，其它指标比如精确率或者召回率指标，均接近或明显高于0.9，整体上意味着模型构建较优。

  接着进一步查看测试数据的‘混淆矩阵’，即模型预测和事实情况的交叉集合，如下图：

  

  ‘混淆矩阵’时，右下三角对角线的值越大越好，其表示预测值和真实值完全一致。上图中显示测试集时，真实值为1（即欺诈）但预测为0（即不欺诈）的数量为20，以及真实为0（即不欺诈）但预测为1（即欺诈）的数量为1，其余均预测正确，仅测试集共有200条，但预测出错为21条，出错率为10.5%。最后SPSSAU输出模型参数信息值，如下表格：

  

  模型汇总表展示模型各项参数设置情况，最后SPSSAU输出使用python中slearn包构建本次Adaboost模型的核心代码如下：

  model = AdaBoostClassifier(algorithm='SAMME.R', n_estimators=50, learning_rate=1.0')

  model.fit(x_train, y_train)

• 6、剖析

  涉及以下几个关键点，分别如下：

  • 保存预测值

  • 保存预测值时，SPSSAU会新生成一个标题用于存储模型预测的类别信息，其数字的意义与模型中标签项(因变量Y)的数字保持一致意义。但Adaboost不会生成类别的预测概率。

  • SPSSAU进行Adaboost模型构建时，自变量X（特征项）中包括定类数据如何处理？

  • logistic回归模型时通常不会关注于数据类型本身，如果一定要处理，建议可对定类数据进行哑变量转化后放入，关于哑变量可点击查看。

  • SPSSAU中Adaboost模型合格的判断标准是什么？

  • 机器学习模型中，通常均为先使用训练数据训练模型，然后使用测试数据测试模型效果。通常判断标准为训练模型具有良好的拟合效果，同时测试模型也有良好的拟合效果。机器学习模型中很容易出现‘过拟合’现象即假的好结果，因而一定需要重点关注测试数据的拟合效果。针对单一模型，可通过变换参数调优，与此同时，可使用多种机器学习模型，比如使用决策树、随机森林、支持向量机、神经网络等，综合对比选择最优模型。

  • SPSSAU机器学习如何进行预测？

  • SPSSAU中默认带有数据预测功能，当特征项X有完整数据，但标签项（因变量Y）没有数据时，此时‘保存预测值’，SPSSAU会默认对此种情况进行预测。如下图中的编号9到12共4行数据，其只有X没有Y，那么保存预测值时，默认对该4行数据进行预测。机器学习的各方法均遵从此规则。

  • 

  • 如何将多个模型绘制ROC曲线对比优劣？

  • 如果涉及多个模型预测能力绘制ROC曲线，用于多个模型预测能力对比。建议按以下步骤进行：

  • 第1步是得到各个模型（比如神经网络模型、随机森林模型、logistic回归、Adaboost等）的预测值标题，该预测值可通过SPSSAU中‘保存预测值’参数选中后得到；

  • 第2步是将得到的预测类别作为ROC曲线时的‘检验变量X’。此时绘制出来的ROC曲线则会有多条，分别表示各模型的预测值。与此同时，ROC曲线时的‘状态变量Y’为实际真实情况上的Y数据，并且该数据正常情况下为二分类（即仅包括2个数字即两个类别）。

  • 【提示：比如决策树/随机森林/Xgboost/GBDT/Adaboost/极端随机树/ LightGBM/CatBoost等均没有预测概率只有预测类别，此时则纳入预测类别。但比如神经网络/logistic回归可纳入预测概率或者预测类别均可】

  • 机器学习算法时保存数据集标识的意思是什么？

  • 选择‘保存数据集标识’后，SPSSAU会新生成一个标题，用于标识模型构建时训练集或测试集，使用数字1表示训练集，数字2表示测试集。如果后续分析时（比如绘制ROC曲线）只针对训练集，那么使用筛选样本功能，筛选出训练集后分析即可。

  • 机器学习算法中保存预测信息具体是什么意思？

  • 如果选中保存预测信息，并且为分类任务时，SPSSAU会新生成预测类别，预测类别是指最终预测出来Y的类别，预测类别标题名称类似为‘Adaboost _Prediction_****’，以及Adaboost不会得到每个类别的预测概率。

  • 为什么没有输出AUC指标及ROC曲线？

  • 如果是分类任务并且为二分类（Y为分类数据且为二分类，且参数上默认或者选择为分类任务），此时SPSSAU默认会输出ROC曲线及AUC指标等。如果是多分类（Y为分类数据且大于两类，且为分类任务），此时AUC指标的意义较小暂未输出，如果有需要，可按下述步骤进行。

  • 第1步：构建模型时先‘保存预测信息’，得到多个标题，每个标题对应1个类别时的预测概率；

  • 第2步：将某个类别（即1个标题）的预测概率作为X，Y为模型构建时的Y，并且ROC曲线时分割点设置为放入的类别项对应的数字；

  • 第3步：多个类别则重复进行多次，即得到每个Y类别标签的ROC曲线和AUC值等。

  • 【提示：决策树/随机森林/Xgboost/GBDT/Adaboost/极端随机树/LightGBM/CatBoost等进行分类任务时只会得到预测类别，并不会得到预测概率，因而均不输出AUC或ROC曲线，当然研究者也可利用预测类别进行绘制ROC曲线，研究者自行处理即可】