Adaboost算法简介_第1页
Adaboost算法简介_第2页
Adaboost算法简介_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、Adaboost 算法1、 AdaBoost 算法简介AdaBoost 算法是 Freund 和 Schapire 根据在线分配算法提出的,他们详细分析了 AdaBoost 算法错误率的上界,以及为了使强分类器达到错误率,算法所需要的最多迭代次 数等相关问题。 与 Boosting 算法不同的是, adaBoost 算法不需要预先知道弱学习算法学习 正确率的下限即弱分类器的误差, 并且最后得到的强分类器的分类精度依赖于所有弱分类器 的分类精度,这样可以深入挖掘弱分类器算法的能力。2、 Adaboost 算法基本原理Adaboost 是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器

2、(弱分类 器 , 然后把这些弱分类器集合起来, 构成一个更强的最终分类器 (强分类器 。 其算法本身是 通过改变数据分布来实现的, 它根据每次训练集之中每个样本的分类是否正确, 以及上次的 总体分类的准确率, 来确定每个样本的权值。 将修改过权值的新数据集送给下层分类器进行 训练, 最后将每次训练得到的分类器最后融合起来, 作为最后的决策分类器。 使用 Adaboost 分类器可以排除一些不必要的训练数据特征,并将关键放在关键的训练数据上面。AdaBoost 算法中不同的训练集是通过调整每个样本对应的权重来实现的。开始时,每 个样本对应的权重是相同的,即其中 n 为样本个数,在此样本分布下训练

3、出一弱分类器。 对于分类错误的样本, 加大其对应的权重; 而对于分类正确的样本, 降低其权重, 这样分错 的样本就被突出出来, 从而得到一个新的样本分布。 在新的样本分布下, 再次对弱分类器进 行训练, 得到弱分类器。依次类推,经过 T 次循环,得到 T 个弱分类器, 把这 T 个弱分 类器按一定的权重叠加(boost 起来,得到最终想要的强分类器。AdaBoost 算法的具体步骤如下:设输入的 n 个训练样本为 :(x1,y1, (x2,y2, .(xn,yn,其中 xi 是输入的训练样本, yi 0,1分别表示正样本和负样本,其中正样本数为 l ,负样本数 m 。 n=l+m,具体步骤如 下:(1 初始化每个样本的权重 w i ,i D(i;(2对每个 t=1,., T(T为弱分类器的个数 把权重归一化为一个概率分布 对每个特征 f ,训练一个弱分类器 h j 计算对应所有特征的弱分类器的加权错误率选取最佳的弱分类器 h t (拥有最小错误率 :t按照这个最佳弱分类器,调整权重 其中 i =0表示被正确地分类, i =1,表示被错误地分类 (3最后的强分类器为: 3、 A daBoost 算法应用随着 AdaBoost 算法的发展, 目前 AdaB

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论