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

时间:2016-11-29 15:13:29

标签: machine-learning classification adaboost

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"我"。但是标志和h代表什么?当签署'并且' h'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。

1 个答案:

答案 0 :(得分:0)

这是一个更精确的公式:

here

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。