Adaboost算法流程和证明.docx

文档介绍：Adaboost算法流程和证明
Adaboost算法流程和证明
Adaboost算法流程和证明
Adaboost 算法
1、 Adaboost 算法简介
此中 i
0 表示被正确地分类， i
1，表示被错误地分类
Adaboost算法流程和证明
Adaboost算法流程和证明
Adaboost算法流程和证明
t
⑶最后的强分类器为：

t
1 t
Adaboost算法流程和证明
Adaboost算法流程和证明
Adaboost算法流程和证明
1
T
t ht ( x)
1 T
t ， t log 1
h(x)
t 1
2 t 1
0
otherwise
t
3、 Adaboost 算法应用
跟着 Adaboost 算法的发展，当前 Adaboost 算法宽泛的应用于人
脸检测、目表记别等领域，此中有在人脸辨别、汽车辨别、驾驶员眨
眼识其他方面的应用和研究。
Discete-Adaboost 算法
1、给定训练集： x1, y1
,L ,
xN , yN ，此中 yi
1,
1
，表示 xi 的正确的
类型标签， i 1,L , N , g j ( xi
) 表示第 i 副图像的第 j
个特点值
2、训练集上样本的初始散布： D1
i
1
m
3、找寻弱分类器 ht ( t 1,L , T )
⑴对于每个样本中的第
j 个特点，能够获得一个弱分类器 h j ，即可
获得阈值j 和方向 p j ，使得j
N
达到最小，而弱分类器
Dt ( xi ) hj (xi
) yi
i
1
h j 为：
hj ( x)
1
p j g j
( x)
p j j
1
other
此中 p j 决定不等式的方向 ,
只有
1两种状况。
4、将全部特点 ( j ) 中精选出一个拥有最小偏差
t 的弱分类器 ht 。
Adaboost算法流程和证明
Adaboost算法流程和证明
Adaboost算法流程和证明
5、对全部的样本权重进行更新
Dt 1
Dt i expt yiht xi
i
Zt
N
此中 Zt 是使Dt 1( xi )
1得归一化因子。
i 1
6、经过 T 轮训练获得 T 个最优的弱分类器， 此时构成一个强分类
器；
T
H final x sign t h t x