基于弱分类器调整的多分类Adaboost算法

摘要：

Adaboost.M1算法要求每个弱分类器的正确率大于1/2，但在多分类问题中寻找这样的弱分类器较为困难。有学者提出了多类指数损失函数的逐步添加模型(SAMME)，把弱分类器的正确率要求降低到大于1/k (k 为类别数)，降低了寻找弱分类器的难度。由于SAMME算法无法保证弱分类器的有效性，从而并不能保证最终强分类器正确率的提升。为此，该文通过图示法及数学方法分析了多分类Adaboost算法的原理，进而提出一种新的既可以降低弱分类器的要求，又可以确保弱分类器有效性的多分类方法。在UCI数据集上的对比实验表明，该文提出的算法的结果要好于SAMME算法，并达到了不弱于Adaboost.M1算法的效果。

关键词：多类分类器、多类指数损失函数的逐步添加模型、Adaboost.M1

所属期刊栏目：38

分类号：TP391.4(计算技术、计算机技术)

在线出版日期：2016-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：373-380