adaboost.m1算法python实现

Adaboost.M1算法是一种迭代算法，用于集成弱分类器以形成强分类器。下面是Python实现Adaboost.M1算法的示例代码：

import numpy as np

class AdaboostM1:
    def __init__(self, T=10):
        self.T = T  # 迭代次数
        self.alpha = []  # 分类器权重
        self.classifiers = []  # 弱分类器

    def fit(self, X, y):
        n_samples, n_features = X.shape
        w = np.full(n_samples, (1 / n_samples))  # 初始化样本权重为 1/n

        for t in range(self.T):
            clf = DecisionTreeClassifier(max_depth=1)  # 弱分类器（决策树桩）
            clf.fit(X, y, sample_weight=w)  # 根据样本权重训练弱分类器
            y_pred = clf.predict(X)  # 预测样本标签
            err = np.sum(w[y_pred != y])  # 计算误差率
            alpha = 0.5 * np.log((1 - err) / err)  # 计算分类器权重
            w = w * np.exp(-alpha * y_pred * y)  # 更新样本权重
            w /= np.sum(w)  # 归一化样本权重
            self.alpha.append(alpha)  # 保存分类器权重
            self.classifiers.append(clf)  # 保存弱分类器

    def predict(self, X):
        y_pred = np.zeros(len(X))
        for alpha, clf in zip(self.alpha, self.classifiers):
            y_pred += alpha * clf.predict(X)
        return np.sign(y_pred)

此示例代码使用决策树桩作为弱分类器，但你也可以使用其他类型的弱分类器。使用示例代码时，你需要先导入必要的库（例如numpy和sklearn.tree.DecisionTreeClassifier）。接下来，你可以初始化一个AdaboostM1对象，然后使用fit方法拟合训练数据。最后，使用predict方法对测试数据进行预测。