从弱势学习者建立强有力的分类器，用于Adaboost并用它来预测数据

Question

我试图了解Adaboost的工作原理。我知道它的基本概念。我已经阅读了很多解释，但我无法理解如何从弱分类器中构建强大的分类器。

我相信构建它的公式类似于：

c += sign(alpha(i)*h(i)). 

我知道阿尔法是阶级的重量＆＃34;我＆＃34;。但是标志和h代表什么？当签署＆＃39;并且＆＃39; h＆＃39;变成-1和+1？如何使用强分类器预测新数据的类别？

我已经阅读了here但是当h或者符号变为-1或1并且用它来预测新数据的类时，我仍然没有得到。

对不起，如果这些问题太基本无法被问到并且被问过太多次了。我找了很多答案但不幸的是他们对我没有帮助。

Answer 1

这是一个更精确的公式：

H代表最终的强分类器，其值等于弱分类器的加权和的信号。所以这个公式是针对二元分类问题，换句话说是一个两类问题。 alpha_t是分类器t的权重，h_t（x）是示例x的弱分类器t的评估。

更直接地回答您的问题：

  

但是标志和h代表什么？

sign（x）是一个返回x（+1或-1）信号的函数。 h是弱分类器。

  

当'sign'和'h'变为-1和+1时？

该公式适用于两类问题，即-1级或+1级。 h只返回这两个值中的一个。

  

如何使用强分类器预测新数据的类别？

根据sign（）

中表达式的信号，强分类器将评估为-1或+1

如果您仍有疑问，请查看this教程。