标签：最小 次数 学习 unicode 自适应 font http 模型 抽样
元算法（集成方法）是对其他算法进行组合的一种方式。
优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调整。
缺点：对离群点敏感
适用数据：数值型、标称型
AdaBoost算法的具体步骤如下：
1. 给定训练样本集S，其中X和Y分别对应于正例样本和负例样本； T为训练的最大循环次数；
2. 初始化样本权重为1/n ，即为训练样本的初始概率分布；
3. 第一次迭代：
(1) 训练样本的概率分布相当下，训练弱分类器；
(2) 计算弱分类器的错误率；
(3) 选取合适阈值，使得误差最小；
(4) 更新样本权重；
经T次循环后，得到T个弱分类器，按更新的权重叠加，最终得到的强分类器。
更新的规则是：减小弱分类器分类效果较好的数据的概率，增大弱分类器分类效果较差的数据的概率。最终的分类器是个弱分类器的加权平均。
1、基于数据集多重抽样的分类器
bagging和boosting的区别
2、训练算法：基于错误提升分类器的性能
Adaboost是adaptive boosting(自适应boosting)的缩写，为了从所有弱分类器中得到最终的分类结果，Adaboost为每个分类器分配了一个权重值alpha，这些alpha值是基于每个弱分类器的错误率进行计算的。
错误率ε=未正确分类的样本数目/所有样本数目
alpha的计算公式：α=1/2ln((1-ε)/ε)
权重向量D的更新：
如果样本正确分类，其权重更改为Di(t+1)=Di(t)e-α/Sum(D)
如果样本被错分，其权重更改为Di(t+1)=Di(t)eα/Sum(D)
3、基于单层决策树构建分类器
单层决策树，也称决策树桩，是一种简单的决策树，仅基于单个特征来做决策。
程序实现可见：
https://www.cnblogs.com/zy230530/p/6909288.html
4、分类算法中的非均衡问题
https://www.cnblogs.com/zy230530/p/6909320.html
标签：最小 次数 学习 unicode 自适应 font http 模型 抽样
原文地址：https://www.cnblogs.com/zhenpengwang/p/10890997.html
