标签:
首先用一个形象的例子来说明AdaBoost的过程:
1. 每次产生一个弱的分类器,把本轮错的样本增加权重丢入下一轮
2. 下一轮对上一轮分错的样本再加重学习,获得另一个弱分类器
经过T轮之后,学得了T个弱分类器,再将这T个弱分类器组合在一起,形成了一个强分类器。
由于每一轮样本的权重都在变化,因此分类器学习的目标函数也产生了变化:
无论是SVM还是Logistic Regression都可以用这种方式学习,给每个样本增加不同的权重。
接下来问题就变成了,如何调整样本的权重?目的是什么?
林介绍了一个原则:
目的:如果想要多个分类器的组合效果好,多个分类器之间的差异就要大一些
方法:上一轮分对的样本在下一轮权重降低,上一轮分错的样本在下一轮提高,这样gt和gt+1的对不同样本的分类能力就有区别了
林接着介绍了一种有实际操作可行性的re-weighting方法。
分对样本权重乘以错误率,分对样本权重乘以(1-错误率):上张PPT提到了,这样做的结果就是ut+1对于gt分类器来说是random的;但是,本轮对ut+1的学习结果gt+1分类器(如果真的学的靠谱)肯定要优于random的,;这样一来,既保证了差异性,又不至于调整的太过分。
每一轮分类器怎么学习解决了,但是分类器怎么组合还没有提到。
林介绍了一种Linear Aggregation on the Fly的方法:
这种方法每一轮学完分类器,分类器前面的权重也就有了:
对scaling factor取一个ln当成分类器权重
1)系数为正,表示分类器能起到一定的正确分类作用
2)系数为0,表示分类器跟随机的效果一样
3)系数为负,表示分类器判断结果与真实结果更可能是相反的
如果是工程化编程,这里需要考虑如果error rate=0的情况,做一个特殊的处理。
最后林从理论上讲了AdaBoost的依据:
这种方法为什么能行呢?
1)每次前进一小步,Ein可能会越来越小
2)样本量足够多,VC bound可以保证Ein与Eout接近(泛化性好)
林接着介绍了一个AdaBoost的经典例子:
要想找一个弱分类器,那没有比one-dimension stump更弱的了,但就是这么弱的分类器,经过组合也产生了伟大的工作。
工作就是实时人脸识别。
标签:
原文地址:http://www.cnblogs.com/xbf9xbf/p/4694338.html