提升方法-AdaBoost

提升方法通过改变训练样本的权重，学习多个分类器(弱分类器/基分类器)并将这些分类器进行线性组合，提高分类的性能。

AdaBoost算法的特点是不改变所给的训练数据，而不断改变训练数据权值的分布，使得训练数据在基本分类器的学习中起不同的作用。通过迭代每次学习一个基分类器，在迭代过程中提高那些被前一轮分类器错误分类数据的权值，降低那些被正确分类的数据的权值，最后将基分类器的线性组合作为强分类器。其中给分类误差率小的基分类器以大的权值，给分类误差率大的基分类器以小的权值，能不断以指数速率减小训练误差，即误分类率。

AdaBoost算法是模型为加法模型、损失函数为指数函数、学习算法为前向分布算法的二分类方法。

				<script>
					(function(){
						function setArticleH(btnReadmore,posi){
							var winH = $(window).height();
							var articleBox = $("div.article_content");
							var artH = articleBox.height();
							if(artH > winH*posi){
								articleBox.css({
									'height':winH*posi+'px',
									'overflow':'hidden'
								})
								btnReadmore.click(function(){
									articleBox.removeAttr("style");
									$(this).parent().remove();
								})
							}else{
								btnReadmore.parent().remove();
							}
						}
						var btnReadmore = $("#btn-readmore");
						if(btnReadmore.length>0){
							if(currentUserName){
								setArticleH(btnReadmore,3);
							}else{
								setArticleH(btnReadmore,1.2);
							}
						}
					})()
				</script>
				</article>