文档介绍：关于adaboost的一些说明上学期拿出一部分时间来做adaboost,做的时候做了一些笔记。论坛上也有一些正在读程序研究算法的人。我就把这份粗糙的笔记拿出来与大家分享一下吧。肯定有错误的地方,也有不妥当的地方,大家不要太相信我还有这个地方不能贴公式,不能贴图片,还有我很懒,就挑了几幅重要的贴了,其他的大家去看文章吧排版不好看,也许写得也不明白,大家多包涵,希望大家可以完善这个文档。让后来者少走些弯路。不用发论坛消息问我,发在这里让更多人看见,更多人解答,然后也可以让更多的人知道,更好些第一部分:,;:当弱分类器算法使用简单的分类方法时,,boosting比bagging较好,(X)和它的分类(Y)和一个分类器(weaklearn).(i)进入循环:(i),使用弱分类器获得样本(X)到分类(Y)上的一个映射.(就是把某个X归到某个Y类中去)=>1/2那么弱分类器训练失败,挑出循环,训练结束(这在二值检测中是不会发生的,而多值的情况就要看分类器够不够强健了)=e/(1-e).<1/<B<,该样本的权值就乘以B让权值变小;如果分类错误,就让该样本的权值乘以B^-1或者不变,这样就让分类正确的样本权值降低,分类错误的样本权值升高,,当一个X进入时,遍历所有Y,寻找使(h(x)=y的情况下,log(1/B)之和)最大者即是输出分类yM2相比于M1的改进是允许弱分类器输出多个分类结果,并输出这几个分类结果的可能性(注意,这里不是概率).(X)和它的分类(Y)和一个分类器(weaklearn).,然后每个不正确分类分到(1/m)/,即每个样本所有不正确的分类的权值和,再求每个样本错误分类的权值,,::图贴不出来了...1999年,,于MachineLearning发表论文:ImprovedBoostingAlgorithmsUsingConfidence-ratedPr