我正在Matlab中实现一种算法，该算法测试修改图像的检测精度。精确度由SVM提供。但我的问题是如何选择adaboost的高级功能，以降低计算复杂性。
详细地说，我有一个图像的特征向量（1xN），我不确定我是否可以在adaboost中使用类似的向量。我在Matlab中使用fitensemble函数，将此向量作为X，numberens= 30,50,75,100，'tree'作为参数。我应该得到D维新的特征向量。
我的问题是，如果我的数据输入中的观察是特征，那么，我应该在列向量中转换行向量，还是我完全错了？
在哪里可以找到新的特征向量，或者如何在结果模型中获取它？ens？
详细说明： “Boosting Feature Selection可用于选择最佳特征以降低计算复杂度。在D迭代之后，我们可以得到D维新特征向量， 然后它们将用于最终分类。“ 我认为我的特征值可能是观察，我只有一列与该图像相关。 Adaboost应该返回一个维度为D的新特征向量。 例如：如果我的初始特征向量F的长度为256，那么在使用30次迭代的情况下，我是否应该获得大小为30的新特征向量？ F包含许多零和一些值，其中最大值可以等于100000。
答案 0 :(得分：0)
对于功能选择，您可以检查ClassificationTree.template的'NVarToSample'属性。默认情况下，fitensemble使用'all'来提升，用于装袋的预测数量的平方根。我不确定AdaBoostM1是什么情况。您可以尝试将其设置为正值D，而不是默认值'all'：
mdl1 = ClassificationTree.template('NVarToSample','all');
ens = fitensemble(features,classLabels,'AdaBoostM1',30,'tree',...
mdl1,'type','classification');
请注意，在上面的代码中，features的每一列代表一个变量，每行代表一个观察。