-
Notifications
You must be signed in to change notification settings - Fork 12
/
testAdaBoostLearner.m
105 lines (98 loc) · 4.77 KB
/
testAdaBoostLearner.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
% 2017-5-26 崔佳勋
% AdaBoost 学习算法 测试过程
% testAdaBoostLearner
% 通过 AdaBoost 对样本进行分类，然后计算统计错误率
% 分类过程通过调用 AdaBoostClassfy 实现
%
% AdaBoost 学习算法 包括训练与测试过程
% AdaBoostClassfy AdaBoost 学习算法 对一组样本进行分类
% AdaBoostWeakLearnerClassfy AdaBoost 弱假设对一组样本进行分类
% searchBestWeakLearner 在特征列上获得最优的阈值分类器
% trainAdaBoostLearner AdaBoost 学习算法 训练过程
% testAdaBoostLearner AdaBoost 学习算法 测试过程
% testAdaBoost(训练与测试) 将样本随机划分为训练集与测试集，多次训练测试AdaBoost学习算法
% AdaBoost(训练与测试) 给定训练集与测试集,训练测试AdaBoost分类器
%
% testAdaBoost 与 AdaBoost 类似，均是先训练，而后测试
% testAdaBoost 测试多次，并且将样本集分为训练集与测试集
% testAdaBoost 通过调用 AdaBoost 函数进行多次的 AdaBoost 算法 训练与测试
% AdaBoost调用 trainAdaBoostLearner 学习分类器
% 调用 testAdaBoostLearner 测试分类器
%
%
% 输入:
% testX 测试数据集,cntSamples X cntFeatures 维矩阵
% cntSamples个样本，每个样本cntFeatures个特征值
% cntSamples 待分类的样本的数量
% cntFeatures 特征空间维数
% testY 测试数据类标,每个样本所属类别的标识
% Hypothesis 训练获取的AdaBoost分类器
% 共T个弱分类器，每个弱分类器的组成是 [阈值 偏置 特征列]
% AlphaT AdaBoost分类器的权重,T维向量
% T 分类器的数量
% T 若输入的弱分类器长度超过T，则截取前T个弱分类器进行测试
% T 若输入的弱分类器长度小于T，则自动使用所有分类器进行测试
% thresh AdaBoost分类器的阈值,默认阈值0.5
%
% 输出：
% testErrorRate 在测试数据集X上第1轮至第T轮的测试错误率
% TPRate 在测试集上第1轮至第T轮的 True-Positive 比例
% FPRate 在测试集上第1轮至第T轮的 Negative-True 比例
%
% 调用格式：
% [testErrorRate,TPRate,FPRate]=testAdaBoostLearner(testX,testY,Hypothesis,AlphaT)
% [testErrorRate,TPRate,FPRate]=testAdaBoostLearner(testX,testY,Hypothesis,AlphaT,T)
% [testErrorRate,TPRate,FPRate]=testAdaBoostLearner(testX,testY,Hypothesis,AlphaT,T,thresh)
%
%
function [testErrorRate,TPRate,FPRate]=testAdaBoostLearner(testX,testY,Hypothesis,AlphaT,varargin)
error(nargchk(4,6,nargin)); % 参数数量检查，必须输入4-6个参数,否则中止程序
validateattributes(testX,{'numeric'},{'2d','real','nonsparse'}, mfilename,'testX',1);
validateattributes(testY,{'logical','numeric'},{'row','nonempty','integer'},mfilename, 'testY',2);
validateattributes(Hypothesis,{'numeric'},{'2d','real','nonsparse'}, mfilename,'Hypothesis',3);
validateattributes(AlphaT,{'numeric'},{'row','nonempty','real'},mfilename, 'AlphaT',4);
cntHypothesis=size(Hypothesis,1); % 分类器数量
if( nargin>4 ) % 指定所采用的分类器的数量
T = varargin{1};
validateattributes(T,{'numeric'},{'row','nonempty','integer'},mfilename, 'T',5);
if( cntHypothesis>T ) % 检查参数 T 的有效性
Hypothesis=Hypothesis(1:T,:);% 截取前T个弱分类器
AlphaT=AlphaT(1:T);
elseif( cntHypothesis<T ) % 使用所有分类器进行测试
disp('警告：输入参数 T（使用分类器数） 过大...');
T=cntHypothesis;
end
else % 默认采取所有的弱分类器
T=cntHypothesis;
end
cntHypothesis=size(Hypothesis,1); % 分类器数量
thresh=0.5; % 默认的阈值
if( nargin>5 ) % 指定分类器阈值
thresh=varargin{2};
validateattributes(thresh,{'numeric'},{'row','nonempty','real'},mfilename, 'thresh',6);
if( length(thresh) > 1 ) % 阈值长度应为1（不能为向量）
error(['AdaBoost分类器阈值(thresh)长度(' num2str(length(thresh)) ')应为1(不能为向量).']);
end
if(thresh>0.99||thresh<0.01)
disp(['警告：输入参数阈值(' num2str(thresh) ')无效，采用默认阈值0.5...']);
thresh=0.5;
end
end
if( cntHypothesis~=length(AlphaT) )% 分类器数量必须与权重向量alphaT长度相同
error('分类器数量必须与权重向量alphaT长度相同！');
end
nSamples=size(testX,1); % 待分类的样本的数量
testErrorRate=zeros(1,T); % 第1轮至第T轮的训练错误率
TPRate=zeros(1,T); % 第1轮至第T轮的 True-Positive 比例
FPRate=zeros(1,T); % 第1轮至第T轮的 Negative-True 比例
testOutput=zeros(1,nSamples); % 临时变量:使用前t个分类器对测试数据进行分类的结果
h=zeros(1,nSamples); % 临时变量:使用第t轮最优分类器进行分类 的结果
for t=1:T % 分类器数量：T
[testOutput]=AdaBoostClassfy(testX,Hypothesis,AlphaT,t,thresh);
% 获取测试样本的分类输出
[errorRate,curTPRate,curFPRate]=calPredictErrorRate(testY,testOutput);
% 计算错误率、检测率与误检率
testErrorRate(t)=errorRate;
TPRate(t)=curTPRate;
FPRate(t)=curFPRate;
end