miércoles 18 diciembre 2024

Cómo usar mlpack::ens::AdaBoost en C++

La clase mlpack::ens::AdaBoost es una implementación en C++ del algoritmo de AdaBoost (Adaptive Boosting), una técnica ampliamente utilizada en aprendizaje automático para mejorar la precisión de modelos débiles mediante un enfoque iterativo. Este algoritmo forma parte de la biblioteca de código abierto mlpack, diseñada para tareas de machine learning.

¿Qué es AdaBoost y cómo funciona en mlpack?

AdaBoost combina múltiples clasificadores débiles, como árboles de decisión, para formar un clasificador más robusto. En mlpack, se usa la clase mlpack::ens::AdaBoost en conjunto con un clasificador débil que implemente la interfaz requerida. Este enfoque ajusta los pesos de las muestras en cada iteración, enfatizando aquellas que son clasificadas incorrectamente.

Sintaxis básica de `mlpack::ens::AdaBoost`

Para usar AdaBoost en mlpack, primero debes tener un modelo base (clasificador débil) compatible con la librería. Aquí está una estructura típica:

#include <mlpack/core.hpp>
#include <mlpack/methods/adaboost/adaboost.hpp>
#include <mlpack/methods/decision_stump/decision_stump.hpp>

using namespace mlpack;

int main()
{
    // Carga de datos.
    arma::mat data;
    arma::Row<size_t> labels;
    data::Load("dataset.csv", data, true);
    data::Load("labels.csv", labels, true);

    // Dividir en conjuntos de entrenamiento y prueba.
    arma::mat trainData, testData;
    arma::Row<size_t> trainLabels, testLabels;
    data::Split(data, labels, trainData, testData, trainLabels, testLabels, 0.8);

    // Crear un clasificador débil: Decision Stump.
    ens::DecisionStump<> weakClassifier(trainData, trainLabels, 2);

    // Configurar AdaBoost con el clasificador débil.
    ens::AdaBoost<ens::DecisionStump<>> adaboost(weakClassifier, trainData, trainLabels, 2);

    // Clasificar datos de prueba.
    arma::Row<size_t> predictions;
    adaboost.Classify(testData, predictions);

    // Mostrar precisión.
    size_t correct = arma::accu(predictions == testLabels);
    std::cout << "Precisión: " << (double(correct) / testLabels.n_elem) * 100 << "%" << std::endl;

    return 0;
}

Descripción de parámetros principales

Parámetro	Tipo	Descripción
`weakClassifier`	Clasificador débil	Un modelo base compatible con AdaBoost, como `DecisionStump`.
`trainData`	`arma::mat`	Conjunto de datos de entrenamiento, donde cada columna es una muestra y cada fila una característica.
`trainLabels`	`arma::Row<size_t>`	Etiquetas de las muestras en el conjunto de entrenamiento.
`numClasses`	`size_t`	Número total de clases en el problema de clasificación.

Ejemplos prácticos

Uso con otro clasificador débil

Puedes usar otros clasificadores compatibles como clasificadores débiles. Por ejemplo, si deseas usar LogisticRegression, asegúrate de que cumpla con la interfaz esperada.

ens::LogisticRegression<> weakClassifier(trainData, trainLabels);
ens::AdaBoost<ens::LogisticRegression<>> adaboost(weakClassifier, trainData, trainLabels, numClasses);

Guardar y cargar el modelo

El modelo AdaBoost puede guardarse y cargarse para reutilización:

// Guardar el modelo.
mlpack::serialization::Save("adaboost_model.xml", "adaboost", adaboost);

// Cargar el modelo.
ens::AdaBoost<ens::DecisionStump<>> loadedModel;
mlpack::serialization::Load("adaboost_model.xml", "adaboost", loadedModel);

Referencias

Consulta la documentación oficial de mlpack para más detalles sobre AdaBoost y otros algoritmos disponibles en la biblioteca.

Etiquetas:

cpp machine learning

Creado por:

Jorge García

Fullstack developer