adaboost算法流程和證明-全文預(yù)覽
【正文】 對(duì)中的求導(dǎo)[此時(shí)將固定]令導(dǎo)數(shù)為零解出此時(shí)繪制關(guān)于的曲線圖從這幅圖上我們可以看出，當(dāng)錯(cuò)誤率越小或者越大（只要不在中點(diǎn)處徘徊）的時(shí)候快速收斂到0。將所有特征()中挑選出一個(gè)具有最小誤差的弱分類器。依次類推，經(jīng)過(guò)次循環(huán)，得到個(gè)弱分類器，把這個(gè)弱分類器按一定的權(quán)重疊加(boost)起來(lái)，得到最終想要的強(qiáng)分類器。 Adaboost算法中不同的訓(xùn)練集是通過(guò)調(diào)整每個(gè)樣本對(duì)應(yīng)的權(quán)重來(lái)實(shí)現(xiàn)的。 Adaboost 算法基本原理 Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。與Boosting算法不同的是，Adaboost算法不需要預(yù)先知道弱學(xué)習(xí)算法學(xué)習(xí)正確率的下限即弱分類器的誤差，并且最后得到的強(qiáng)分類器的分類精度依賴于所
公司管理相關(guān)推薦
鄂ICP備17016276號(hào)-1