zoukankan      html  css  js  c++  java
  • Coursera台大机器学习技法课程笔记08-Adaptive Boosting

                      将分类器组合的过程中,将重点逐渐聚焦于那些被错分的样本点,这种做法背后的数学原因,就是这讲的内容。

                      在用bootstraping生成g的过程中,由于抽样对不同的g就生成了不同的u,接下来就是不断的调整u,使得Ein最小。

                      

                     g越不同,通过aggregation,越能得到更好的结果。通过调整u来得到不同的g。如果某个gt,在ut+1时表现的不好,那么gt或与gt很像的hypothesis就

               可能不会被选到。因此,可通过调整ut+1来使g不同。那么如何定义g的表现不好呢?如果错误率与丢硬币没什么两样(即二分之一),那就是表现差

                   

                  下面讲了如何调整犯错和没有犯错的u,来使得错误率为二分之一。

                  

                 更近一步,定义一个scaling factor:

                  

                 那么就可以得到一个基本的算法。第一轮的u可以相等,但组成G的各个g的权值不应相等。

                

               接下来是详细算法的过程,包括g的权值的选取。整个AdaBoost算法包括三个部分:基本的算法A+优化的g+权值

              

             

            接下来是理论的保证:只要基本算法A的错误率小于二分之一,就能通过这个算法得到性能很好的算法。

            

             接下来给了个例子,将AdaBoost与decision stump(弱分类器,每次利用单一的feature,二维平面上就是一条条垂直或水平的线,因为它只在一个维度下进行分割)结合

             可以参考这位博主的笔记:http://blog.csdn.net/lg1259156776/article/details/46831191

  • 相关阅读:
    oracle数据库导出与导入
    Mysql导入表信息[Err] 1067
    Golang--不定参数类型
    (转)Docker容器的重启策略及docker run的--restart选项详解
    (转)Golang--使用iota(常量计数器)
    Golang--匿名变量
    Golang--Hello World
    Ubuntu Server16.04 配置网卡
    U盘安装ubuntu 16.04 遇到 gfxboot.c32:not a COM32R image boot 的解决方法
    ipfs私链服务
  • 原文地址:https://www.cnblogs.com/573177885qq/p/4683388.html
Copyright © 2011-2022 走看看