python实现AdaBoost算法的示例_adaboost所需库资源-CSDN文库

46 浏览量 2020-12-16 21:02:51 上传评论 1 收藏 88KB PDF 举报

资源推荐

资源详情

资源评论

python实现实现AdaBoost算法的示例算法的示例

代码

'''

数据集：Mnist

训练集数量：60000(实际使用：10000)

测试集数量：10000（实际使用：1000)

层数：40

------------------------------

运行结果：

正确率：97%

运行时长：65m

'''

import time

import numpy as np

def loadData(fileName):

'''

加载文件

:param fileName:要加载的文件路径

:return: 数据集和标签集

'''

# 存放数据及标记

dataArr = [] labelArr = [] # 读取文件

fr = open(fileName)

# 遍历文件中的每一行

for line in fr.readlines():

# 获取当前行，并按“，”切割成字段放入列表中

# strip：去掉每行字符串首尾指定的字符（默认空格或换行符）

# split：按照指定的字符将字符串切割成每个字段，返回列表形式

curLine = line.strip().split(',')

# 将每行中除标记外的数据放入数据集中（curLine[0]为标记信息）

# 在放入的同时将原先字符串形式的数据转换为整型

# 此外将数据进行了二值化处理，大于128的转换成1，小于的转换成0，方便后续计算

dataArr.append([int(int(num) > 128) for num in curLine[1:]])

# 将标记信息放入标记集中

# 放入的同时将标记转换为整型

# 转换成二分类任务

# 标签0设置为1，反之为-1

if int(curLine[0]) == 0:

labelArr.append(1)

else:

labelArr.append(-1)

# 返回数据集和标记

return dataArr, labelArr

def calc_e_Gx(trainDataArr, trainLabelArr, n, div, rule, D):

'''

计算分类错误率

:param trainDataArr:训练数据集数字

:param trainLabelArr: 训练标签集数组

:param n: 要操作的特征

:param div:划分点

:param rule:正反例标签

:param D:权值分布D

:return:预测结果，分类误差率

'''

# 初始化分类误差率为0

e = 0

# 将训练数据矩阵中特征为n的那一列单独剥出来做成数组。因为其他元素我们并不需要，

# 直接对庞大的训练集进行操作的话会很慢

x = trainDataArr[:, n] # 同样将标签也转换成数组格式，x和y的转换只是单纯为了提高运行速度

# 测试过相对直接操作而言性能提升很大

y = trainLabelArr

predict = []

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余4页未读，立即下载

内容反馈

weixin_38559866

粉丝: 1
资源: 904

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip