摘要：集成学习算法的构造属于机器学习领域的重要研究内容，尽管弱学习定理指出了弱学习算法与强学习算法是等价的，但如何构造好的集成学习算法仍然是一个未得到很好解决的问题．Freund和Schapire提出的AdaBoost算法和Schapire和Singer提出的连续AdaBoost算法部分解决了该问题．提出了一种学习错误定义，以这种学习错误最小化为目标，提出了一种通用的集成学习算法，算法可以解决目前绝大多数分类需求的学习问题，如多分类、代价敏感分类、不平衡分类、多标签分类、模糊分类等问题，算法还对AdaBoost系列算法进行了统一和推广．从保证组合预测函数的泛化能力出发，提出了算法中的简单预测函数可统一基于样本的单个特征来构造．理论分析和实验结论均表明，提出的系列算法的学习错误可以任意小，同时又不用担心出现过学习现象．

原文链接:http://www.cqvip.com//QK/94913X/201304/45305205.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）