李健，熊琦，胡雅婷

(吉林農(nóng)業(yè)大學(xué)信息技術(shù)學(xué)院，長(zhǎng)春市，130118)

0 引言

隨著社會(huì)經(jīng)濟(jì)發(fā)展和人類對(duì)生活質(zhì)量要求的不斷提高，食用菌出現(xiàn)在人們的餐桌上的頻率越來(lái)越高，但食用菌的安全性問(wèn)題一直存在很大的爭(zhēng)議。由于中國(guó)地大物博，食用菌種類繁多，對(duì)食用菌毒性判定的方式也是多種多樣[1]。其中民間對(duì)蘑菇毒性的判別方式主要依賴觀察其外形外觀，顏色和菌類的特征，聞菌類的氣味等方法，這些方法對(duì)判別人的經(jīng)驗(yàn)有較大依賴性，判別誤差率高等缺點(diǎn)。學(xué)術(shù)界則是通過(guò)研究菌類的成分進(jìn)行毒性判別[2]。這類方法雖然準(zhǔn)確率大大提高，但是存在檢測(cè)效率不高，實(shí)驗(yàn)要求苛刻等缺點(diǎn)。

近年來(lái)，隨著機(jī)器學(xué)習(xí)在人工智能領(lǐng)域的大火，近年來(lái)，隨著機(jī)器學(xué)習(xí)在人工智能領(lǐng)域的大火，機(jī)器學(xué)習(xí)算法對(duì)解決工業(yè)問(wèn)題提供了新的思路，眾多學(xué)者[3-5]開始將機(jī)器學(xué)習(xí)模型開始與工業(yè)領(lǐng)域相結(jié)合，比如李卓識(shí)等[6]將機(jī)器學(xué)習(xí)算法引入到真菌分類問(wèn)題中，王聃，毛彥棟等[7-8]將機(jī)器學(xué)習(xí)算法引入到病蟲害識(shí)別問(wèn)題中，陳桂芬等[9]將機(jī)器學(xué)習(xí)算法引入到遙感圖像分類中，這些模型均能與各自領(lǐng)域的實(shí)際情況與存在的問(wèn)題相結(jié)合，提供了有效的解決辦法。隨著大數(shù)據(jù)時(shí)代的到來(lái)，數(shù)據(jù)的種類、數(shù)量都有極大的提升，由于某些機(jī)器學(xué)習(xí)模型針對(duì)海量數(shù)據(jù)存在著運(yùn)行時(shí)間慢，準(zhǔn)確率低等問(wèn)題，特征篩選方法[10-12]被提出，該方法可以解決數(shù)據(jù)集高維度，高密集的問(wèn)題，降低了模型的復(fù)雜度，使得機(jī)器學(xué)習(xí)更好地融入各個(gè)領(lǐng)域之中。

由于菌類的特征值存在不連續(xù)，多維度等特點(diǎn)，非常適合用機(jī)器學(xué)習(xí)中的分類算法進(jìn)行判別，目前業(yè)界中有很多使用機(jī)器學(xué)習(xí)算法對(duì)蘑菇毒性判別的案例，均取得了不錯(cuò)的準(zhǔn)確率，對(duì)蘑菇毒性判別具有重要意義。劉斌等[13]將基于貝葉斯算法應(yīng)用到了蘑菇毒性判別之中，這種算法必須滿足樣本特征獨(dú)立分布的前提，且這種算法不存在很好的實(shí)際物理意義，不易于理解，對(duì)數(shù)據(jù)要求較高等缺點(diǎn)。樊哿等[14]利用了支持向量機(jī)算法，這種算法預(yù)測(cè)的準(zhǔn)確率很高，但是這種算法基于較小的數(shù)據(jù)集為前提才會(huì)獲取到較好的效果，不適用于規(guī)模較大的數(shù)據(jù)集。李旺等[15]提出了基于寬度學(xué)習(xí)的蘑菇毒性判別方法，該模型具有極高的準(zhǔn)確率，但是需要極高的數(shù)據(jù)量作為訓(xùn)練基礎(chǔ)，對(duì)數(shù)據(jù)集的要求非?？量?，適用的領(lǐng)域并不廣泛。因此，集成學(xué)習(xí)方法[16]被引入。集成學(xué)習(xí)是一種通過(guò)構(gòu)建多個(gè)弱分類，再將其組合成一個(gè)強(qiáng)分類器的學(xué)習(xí)方法，AdaBoost算法作為目前最具有價(jià)值的集成學(xué)習(xí)算法，眾多學(xué)者[17-18]將該算法引入工業(yè)界解決分類問(wèn)題。但該算法的權(quán)值更新機(jī)制容易造成不公平的權(quán)值分配，且容易導(dǎo)致噪聲樣本權(quán)值的無(wú)限增大，不少學(xué)者針對(duì)該缺點(diǎn)對(duì)算法進(jìn)行了改進(jìn)[19-20]。

本文針對(duì)AdaBoost算法存在的問(wèn)題，提出了一種改進(jìn)權(quán)值更新方式的AdaBoost算法，該算法基于邏輯回歸為弱分類器，在弱分類器訓(xùn)練階段和弱分類器的組合階段，兩部分對(duì)原算法進(jìn)行了改進(jìn)，刪去了特征中權(quán)值系數(shù)過(guò)小的特征，針對(duì)多次分錯(cuò)的樣本，添加懲罰系數(shù)降低該樣本的權(quán)值，以提高整體分類的準(zhǔn)確度，為食用菌毒性判別問(wèn)題提供了新的思路和解決方案。

1 材料和方法

1.1 數(shù)據(jù)采集

本文使用的公用數(shù)據(jù)集是加州大學(xué)歐文分校提供的環(huán)柄菇數(shù)據(jù)集，該數(shù)據(jù)集中共包含8 124組樣本，共22個(gè)特征，分別為帽形，帽面，帽色，瘀傷，氣味，鰓附著，鰓間距，鰓大小，鰓顏色，莖形，莖根，莖表面在環(huán)上，莖—表面—環(huán)下，莖—顏色—環(huán)上，莖—顏色—環(huán)下，面紗類型，面紗顏色，環(huán)號(hào)，環(huán)狀型，孢子印刷色，種群，棲息地。部分?jǐn)?shù)據(jù)集如表1所示。

表1 部分環(huán)柄菇數(shù)據(jù)集

1.2 研究方法

1.2.1 傳統(tǒng)AdaBoost算法

AdaBoost算法是一種通過(guò)迭代將多個(gè)弱分類器組合成一種強(qiáng)分類器的算法。算法本身是通過(guò)不斷改變數(shù)據(jù)的權(quán)值來(lái)實(shí)現(xiàn)的，針對(duì)弱分類器中錯(cuò)誤分類的樣本，算法會(huì)逐漸加大錯(cuò)誤分類樣本的權(quán)重，并降低分類正確的樣本的權(quán)值，使得算法在下一次弱分類器選定數(shù)據(jù)樣本時(shí)，會(huì)著重于上一次迭代中錯(cuò)誤分類的樣本，通過(guò)這種方式，AdaBoost的訓(xùn)練過(guò)程會(huì)聚焦于容易分類錯(cuò)誤的樣本，最終將每次訓(xùn)練得到的弱分類器加權(quán)求和，形成了最終的決策強(qiáng)分類器。算法框架如圖1所示。

圖1 AdaBoost算法框架

相比較單個(gè)的分類器，經(jīng)過(guò)AdaBoost算法集成的最終決策強(qiáng)分類器具有更好的穩(wěn)定性和分類準(zhǔn)確率，但是AdaBoost算法的缺點(diǎn)也很明顯，在算法的數(shù)據(jù)劃分階段，AdaBoost算法的迭代次數(shù)不好確定，如果定的過(guò)少，算法擬合不足，如果迭代次數(shù)過(guò)多，則會(huì)導(dǎo)致弱分類器的運(yùn)行時(shí)間過(guò)長(zhǎng)。在算法的迭代過(guò)程中，噪聲樣本點(diǎn)在迭代的過(guò)程中權(quán)值會(huì)無(wú)限增大，從而使非噪聲樣本點(diǎn)選入到新的弱分類器的概率降低，從而降低最終的強(qiáng)分類器的準(zhǔn)確率。

1.2.2 邏輯回歸算法

邏輯回歸實(shí)際上是一種線性分類器，是基于線性回歸變化而來(lái)的一種模型，由于滿足線性規(guī)律的真實(shí)場(chǎng)景并不多，為了解決該問(wèn)題，線性回歸在實(shí)際應(yīng)用中引入了諸多變化形式，將對(duì)數(shù)函數(shù)融到線性回歸中就得到了邏輯回歸的基本表達(dá)式，函數(shù)如式(1)所示。

(1)

二元邏輯回歸的樣本服從伯努利分布(即0～1分布)，由此可得預(yù)測(cè)標(biāo)簽分別為0和1時(shí)的概率如式(2)和式(3)所示。

P(y=1|x)=y(x)

(2)

P(y=0|x)=1-y(x)

(3)

由式(2)和式(3)可得P(y|x)的表達(dá)式如式(4)所示。

P(y|x)=y(x)y×[1-y(x)]1-y

(4)

假設(shè)樣本獨(dú)立且同分布，求得式(4)的最大對(duì)數(shù)似然估計(jì)就得到了最終的損失函數(shù)，如式(5)所示。

(1-y)×log[1-yθ(xi)]}

(5)

采用梯度下降法求取損失函數(shù)的極小值，就可以得到該邏輯回歸算法的最優(yōu)的系數(shù)，達(dá)到該邏輯回歸模型的最好效果，同樣邏輯回歸的缺點(diǎn)也很明顯：在特征空間很大時(shí)，計(jì)算的復(fù)雜度會(huì)很高，會(huì)大大降低邏輯回歸算法的性能，所以在特征數(shù)目很多的數(shù)據(jù)集下，通常不使用邏輯回歸算法。

1.2.3 改進(jìn)的AdaBoost算法模型

通過(guò)分析作為弱分類器的邏輯回歸算法和AdaBoost算法，可以很直觀的得到算法的缺點(diǎn)，針對(duì)上述問(wèn)題，本文提出了一種基于改進(jìn)數(shù)據(jù)特征篩選和弱分類器權(quán)值更新的AdaBoost算法，該算法分為弱分類器訓(xùn)練和弱分類器組合兩個(gè)階段。

在改進(jìn)之后的AdaBoost算法的弱分類器階段，針對(duì)作為弱分類器的邏輯回歸算法無(wú)法很好的處理樣本特征空間過(guò)大的問(wèn)題，本文提出了根據(jù)各個(gè)樣本特征所占的權(quán)重大小，逐步減去樣本特征數(shù)目的方法。本文提出了根據(jù)各個(gè)樣本特征所占的權(quán)重大小，逐步減去樣本特征數(shù)目的方法。該方法首先將全部特征帶入到算法中運(yùn)行，計(jì)算出每一個(gè)特征的特征權(quán)重，將特征權(quán)重最小的特征刪除，就能得到新的特征子集，將新的特征子集帶入算法之中重新計(jì)算新的特征權(quán)重并刪除特征權(quán)重最小的特征，重復(fù)執(zhí)行該過(guò)程，直到算法準(zhǔn)確率小于閾值，特征篩選結(jié)束，得到了最佳特征子集。流程如圖2所示。

圖2 數(shù)據(jù)集特征空間篩選方法

樣本特征的權(quán)值系數(shù)代表了每個(gè)特征在對(duì)樣本預(yù)測(cè)值得重要性，信息熵是度量樣本幾何純度的最常用的一種指標(biāo)，假設(shè)樣本集合D中第k類樣本所占的比例為Pk，則D的信息熵如式(6)所示。

(6)

假定離散的屬性a有V個(gè)可能的取值，若使用a來(lái)對(duì)樣本D進(jìn)行劃分，則會(huì)產(chǎn)生V個(gè)子集，其中第V個(gè)子集包含了D中所有在屬性a上取值為av的樣本，記作Dv，根據(jù)式(6)得到信息增益的公式如式(7)所示。

(7)

假設(shè)樣本集D上第j個(gè)特征，可以計(jì)算出每個(gè)訓(xùn)練集D下的信息增益，在對(duì)得到的K個(gè)信息增益值進(jìn)行歸一化處理，就可以得到每個(gè)特征所占的權(quán)重，如式(8)所示。

(8)

根據(jù)式(8)對(duì)弱分類器數(shù)據(jù)集中的每個(gè)特征分別計(jì)算權(quán)重，并從大到小進(jìn)行排序，根據(jù)設(shè)定的權(quán)值系數(shù)的閾值ω0對(duì)特征空間進(jìn)行篩選，使得下一次迭代的弱分類器的數(shù)據(jù)集中刪去了權(quán)值系數(shù)過(guò)小的特征，從而提高了運(yùn)算效率，解決了弱分類器邏輯回歸中由于特征空間太大，使邏輯回歸算法效果不好的缺點(diǎn)。

針對(duì)迭代過(guò)程中噪聲點(diǎn)權(quán)值系數(shù)過(guò)大的問(wèn)題，本文提出了在權(quán)值過(guò)大的樣本點(diǎn)加上懲罰項(xiàng)的方法，如果迭代結(jié)束的樣本權(quán)重大于閾值w，則會(huì)在權(quán)重加上懲罰項(xiàng)，降低該樣本的權(quán)重，減少了由于樣本噪聲點(diǎn)對(duì)整個(gè)模型的影響，如果迭代之后的樣本權(quán)重小于閾值w，則不會(huì)對(duì)該樣本點(diǎn)加上懲罰項(xiàng)。對(duì)于給定的數(shù)據(jù)集x={(x1，y1)，(x2,y2},…(xn,yn)}，首先計(jì)算出在第i次迭代后，樣本X的權(quán)重Dx并對(duì)所有樣本的權(quán)重進(jìn)行歸一化，本文使用了混淆矩陣中的FN值和FP值的比值作為權(quán)重的懲罰項(xiàng)，混淆矩陣如表2所示。

表2 混淆矩陣

混淆矩陣中的列元素代表了真實(shí)樣本中的標(biāo)簽，所有的行元素代表了模型輸出的預(yù)測(cè)標(biāo)簽，將FN/FP的比值ψ作為懲罰項(xiàng)是為了能夠更好地看清該樣本是對(duì)標(biāo)簽為0的樣本分類能力較差還是標(biāo)簽為1的樣本分類能力較差，可以更好地鍛煉模型。每次迭代之后的樣本的錯(cuò)誤率如式(9)所示，根據(jù)錯(cuò)誤率可得樣本的權(quán)重如式(10)所示。

(9)

(10)

根據(jù)本文設(shè)計(jì)的改進(jìn)之后更新權(quán)值方法，當(dāng)預(yù)測(cè)值等于真實(shí)值時(shí)，樣本在下一輪迭代時(shí)的權(quán)重如式(11)所示。

(11)

在預(yù)測(cè)值不等于真實(shí)值，權(quán)重小于等于閾值時(shí)，樣本在下一輪迭代時(shí)的權(quán)重如式(12)所示。

hi(xi)≠yi,Dt(xj)≤Wt

(12)

在預(yù)測(cè)值不等于真實(shí)值，權(quán)重大于閾值時(shí)，樣本在下一輪迭代時(shí)的權(quán)重如式(13)所示。

hi(xi)≠yi,Dt(xj)>Wt

(13)

1.2.4 改進(jìn)的AdaBoost算法模型

上述的兩點(diǎn)改進(jìn)措施分別針對(duì)了AdaBoost算法和邏輯回歸中的兩種缺點(diǎn)，整個(gè)改進(jìn)后的算法流程如下。

輸入：訓(xùn)練數(shù)據(jù)集x={(x1，y1)，(x2,y2)，…，(xn，yn)}，權(quán)值系數(shù)的閾值ω0。

輸出：最終得到的強(qiáng)分類器F(X)。

1)對(duì)數(shù)據(jù)進(jìn)行歸一化處理，使樣本值分布在[0，1]之間。

2)初始化訓(xùn)練樣本的權(quán)值分布并初始化訓(xùn)練數(shù)據(jù)的權(quán)重分布值：Dm表示第m個(gè)弱學(xué)習(xí)器的樣本點(diǎn)的權(quán)值D1=(ω11，ω12，ω13，…，ω1N)，ω1i=1/N，i=1，2，…，N。

2 結(jié)果與分析

2.1 環(huán)柄菇毒性判別模型

本文提出的環(huán)柄菇毒性判別模型首先將數(shù)據(jù)集的特征進(jìn)行數(shù)值化處理，再進(jìn)行歸一化處理，采用3∶7的比例，隨機(jī)劃分?jǐn)?shù)據(jù)集之后，得到了測(cè)試集和訓(xùn)練集，對(duì)訓(xùn)練集集樣本進(jìn)行特征篩選，建立起了改進(jìn)后的AdaBoost模型，將測(cè)試集帶入模型并對(duì)模型進(jìn)行評(píng)分，根據(jù)模型分?jǐn)?shù)再進(jìn)行調(diào)參，得到最終的模型，輸出最終的預(yù)測(cè)結(jié)果，如圖3所示。

圖3 模型流程圖

2.2 結(jié)果分析

本文為了突出改進(jìn)之后的AdaBoost模型的優(yōu)化效果，分別建立了單一的邏輯回歸分類器和傳統(tǒng)的AdaBoost分類器模型進(jìn)行比較，本文采用了混淆矩陣作為算法模型的評(píng)判指標(biāo)，根據(jù)混淆矩陣可以得到該模型的準(zhǔn)確率，精度，召回率和F1-值。準(zhǔn)確率是混淆矩陣中的TP值和TN值的和除以樣本總數(shù)，表示了分類模型中所有判斷正確的結(jié)果占總樣本數(shù)的比例，精度是由混淆矩陣中的TP值除以TP值和FP值的和，表示了在模型預(yù)測(cè)為1的所有樣本中，真實(shí)值也為1的比重，召回率是由混淆矩陣中TP值除以TP值和FN值的和，表示了真實(shí)值為1的所有樣本中，模型預(yù)測(cè)正確的比重，而F1-值是結(jié)合了精度和召回率的指標(biāo)，取值范圍在0到1之間，越靠近1表示模型的預(yù)測(cè)效果越好。同時(shí)也分別計(jì)算了真實(shí)值為0和1時(shí)的各個(gè)指標(biāo)的大小，各項(xiàng)指標(biāo)的平均值和加權(quán)平均值。

按照上述試驗(yàn)流程分別對(duì)三種不同的算法進(jìn)行了測(cè)試，測(cè)試樣本總數(shù)為2 438個(gè)樣本，最后將三種算法的指標(biāo)值簡(jiǎn)化整合后，得到了最終的測(cè)試對(duì)比結(jié)果如表3所示。

表3 不同算法測(cè)試結(jié)果對(duì)比

由表3可以看出本文提出的改進(jìn)的AdaBoost算法在各項(xiàng)指標(biāo)中均有極高的評(píng)分，模型分類效果遠(yuǎn)超其他兩種算法。通過(guò)對(duì)比三種算法的準(zhǔn)確度可得，單一的邏輯回歸分類器達(dá)到了94.85%的準(zhǔn)確率，傳統(tǒng)AdaBoost算法易受噪聲點(diǎn)的影響只達(dá)到了91.76%的準(zhǔn)確率，而本文提出的改進(jìn)后的AdaBoost算法解決了這一問(wèn)題，準(zhǔn)確率達(dá)到了99.96%，比單一的弱分類器模型和傳統(tǒng)的AdaBoost分類器的準(zhǔn)確率平均提高了7.5%，且并不易受噪聲點(diǎn)影響?？紤]到模型是為了判定環(huán)柄菇是否具有毒性這一目的，召回率的大小對(duì)模型優(yōu)劣起到了很大影響，邏輯回歸算法成功分類出95%的有毒樣本，傳統(tǒng)AdaBoost算法只成功分類出90%的有毒樣本，而改進(jìn)后的AdaBoost算法成功分出了所有的有毒樣本，改進(jìn)后的模型在判定環(huán)柄菇是否含有毒性的問(wèn)題上具有很高的穩(wěn)定性和安全性。

為了更直觀的觀察到改進(jìn)后的算法的性能，本文引入了ROC曲線，ROC曲線可以很容易的查出任意界限值時(shí)對(duì)性能的識(shí)別能力，從而選擇最佳的界限值，本文提出的改進(jìn)后的算法的ROC曲線如圖4所示。

圖4 改進(jìn)的AdaBoost分類器的ROC曲線

ROC曲線越靠近左上角，實(shí)驗(yàn)的準(zhǔn)確性就越高，亦可通過(guò)計(jì)算ROC曲線下的面積AUC進(jìn)行比較，AUC越大，模型的效果越好，由圖4可以觀察到，改進(jìn)后AdaBoost算法的ROC曲線下的面積AUC為1，達(dá)到了AUC的極大值。

通過(guò)在公用數(shù)據(jù)集的實(shí)驗(yàn)表明，本文提出的改進(jìn)后的AdaBoost算法性能遠(yuǎn)高于單一的邏輯回歸分類器和傳統(tǒng)的AdaBoost分類器，在對(duì)環(huán)柄菇毒性判定中取得了完美的效果，在一定程度上改進(jìn)了傳統(tǒng)AdaBoost分類器中權(quán)值更新中存在的缺陷導(dǎo)致拉低模型評(píng)分的局限性。

3 結(jié)論

1)本文提出的改進(jìn)后的AdaBoost分類器模型，通過(guò)添加了對(duì)數(shù)據(jù)樣本的特征篩選環(huán)節(jié)和在集成迭代的過(guò)程中調(diào)整樣本權(quán)值更新的方式，以避免樣本產(chǎn)生過(guò)大的權(quán)值并對(duì)新建的弱分類器產(chǎn)生影響為目標(biāo)，運(yùn)用了混淆矩陣中的FN值和FP值，并將兩者的比值作為了懲罰項(xiàng)，添加到了更新權(quán)值的公式中。

2)該改進(jìn)后的模型遠(yuǎn)優(yōu)于單一的邏輯回歸弱分類器和傳統(tǒng)的AdaBoost分類器模型，分類的準(zhǔn)確率平均提高了7.5%，在一定程度上解決了蘑菇毒性判定的問(wèn)題，并樹立了新的判別模型，但改進(jìn)之后的模型存在計(jì)算量較大，運(yùn)行時(shí)間較長(zhǎng)的問(wèn)題，將成為日后蘑菇毒性判別模型改進(jìn)的研究方向。總體而言，本文提出的模型確實(shí)提高了預(yù)測(cè)的準(zhǔn)確率，在蘑菇毒性分類問(wèn)題上有較高的實(shí)際利用價(jià)值。