ML-Review-Adaboost

标签：控制   最小化   二分   view   分布   数据   工作   根据   回归   

串行生成，只适用二分类（做回归用别的更新公式？）

工作机制：

• 先从初始训练集中学习一个基学习器
• 根据基学习器的表现对训练样本分布进行调整，做错的提高权重，对的降低权重
• 基于调整后的样本分布来训练下一个基学习器
• 如此反复，直到基学习器数目达到T，最终将这T个基学习器进行加权结合

对训练样本分布调整，主要是通过增加误分类样本的权重，降低正确分类样本的权重。

面临两个问题：

（1）在每一轮，如何改变训练数据的概率分布或者权值分布。（也可以重采样，但是AdaBoost没这么做）

（2）如何将弱分类器组合成强分类器

AdaBoost的做法：

（1）提高分类错误的的权重，降低正确的权重

（2）采用加权多数表决，加大分类错误率低的分类器的权值，使其在表决中起较大作用

弱分类器被线性组合成为一个强分类器。

最小化损失函数：

• 分类器权重更新公式
• 样本权重更新公式
• 加性模型，最小化损失函数

优缺：不改变所给的训练数据，而不断改变训练数据的权值分布，使得训练数据在基本分类器的学习中起不同的作用。

控制迭代次数可防止过拟合

对异常敏感，噪声大的会获得高权重

ML-Review-Adaboost

标签：控制   最小化   二分   view   分布   数据   工作   根据   回归   

原文地址：https://www.cnblogs.com/A-lam/p/12862890.html