Adaboost
算法1、Adaboost
算法简介
Adaboost
算法是Freund
和Schapire
根据在线分配算法提出的，他们详细分析了
Adaboost
算法错误率的上界，以及为了使强分类器
到达错误率，算法所需要的最多迭代次数等相关问题。与
Boosting
算法不同的是，
Adaboost
算法不需要预先知道弱学习算法学习正确率的下限即弱分类器的误差，并且最后得到的强分类器的分类精度依赖于所有弱分类器的分类精度，这样可以深入挖掘弱分类器算法的能力。
2、Adaboost
算法根本原理Adaboos
t是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器
(弱分类器
)，然后把这些弱分类器集合起来，构成一个更强的最终分类器
(强分类器
)。其算法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修
改正权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用
Adaboost
分类器可以排除一些不必要的训练数据特征，并将关键放在关键的训 ...