Я хотел сравнить adaboost
и деревья решений. В качестве доказательства принципа я установил число оценок в adaboost
в 1
с классификатором дерева решений по умолчанию, ожидая того же результата, что и простое дерево решений.Почему adaboost с 1 оценкой быстрее, чем простое дерево решений?
У меня точно такая же точность при прогнозировании тестовых меток. Однако время монтажа намного ниже для adaboost
, а время тестирования немного выше. Adaboost
, похоже, использует те же настройки по умолчанию, что и DecisionTreeClassifier
, в противном случае точность не будет одинаковой.
Может ли это объяснить это?
Код
from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
print("creating classifier")
clf = AdaBoostClassifier(n_estimators = 1)
clf2 = DecisionTreeClassifier()
print("starting to fit")
time0 = time()
clf.fit(features_train,labels_train) #fit adaboost
fitting_time = time() - time0
print("time for fitting adaboost was", fitting_time)
time0 = time()
clf2.fit(features_train,labels_train) #fit dtree
fitting_time = time() - time0
print("time for fitting dtree was", fitting_time)
time1 = time()
pred = clf.predict(features_test) #test adaboost
test_time = time() - time1
print("time for testing adaboost was", test_time)
time1 = time()
pred = clf2.predict(features_test) #test dtree
test_time = time() - time1
print("time for testing dtree was", test_time)
accuracy_ada = accuracy_score(pred, labels_test) #acc ada
print("accuracy for adaboost is", accuracy_ada)
accuracy_dt = accuracy_score(pred, labels_test) #acc dtree
print("accuracy for dtree is", accuracy_dt)
Выход
('time for fitting adaboost was', 3.8290421962738037)
('time for fitting dtree was', 85.19442415237427)
('time for testing adaboost was', 0.1834099292755127)
('time for testing dtree was', 0.056527137756347656)
('accuracy for adaboost is', 0.99089874857792948)
('accuracy for dtree is', 0.99089874857792948)
Каково измерение 'features_train'? когда я повторяю свой эксперимент со 100 трехмерными образцами, дерево решений примерно в 10 раз быстрее, чем Adaboost. –
Также попробуйте использовать профилировщик. Магический «% prun» IPython - хороший вариант. –
Features_train имеет 16000 функций из 3785 образцов. Меня интересует концептуальная разница между этими двумя. Каким образом алгоритм использует разные? Я бы ожидал, что AdaBoostClassifier с 1 оценщиком сделает именно то, что делает DecisionTreeClassifier. – galliwuzz