AdaBoost算法的推广——一组集成学习算法
针对AdaBoost算法只适合于不稳定学习算法这一不足,基于增加新分类器总是希望降低集成分类器训练错误率这一思想,提出了利用样本权值来调整样本类中心的方法,使AdaBoost算法可以与一些稳定的学习算法结合成新的集成学习算法,如动态调整样本属性中心的集成学习算法、基于加权距离度量分类的集成学习算法和动态组合样本属性的集成学习算法,大大拓展了AdaBoost算法适用范围.针对AdaBoost算法的组合系数和样本权值调整策略是间接实现降低训练错误率目标,提出了直接面向目标的集成学习算法.在UCI数据上的实验与分析表明,提出的AdaBoost推广算法不仅有效,而且部分算法比AdaBoost算法效果更好.
集成学习、AdaBoost、分类器组合、弱学习定理
42
TP391(计算技术、计算机技术)
国家高技术研究发展计划资助项目2008AAO1Z402;四川省重点科技计划资助项目2007Z01-024,2009SZ0214
2017-01-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
91-98