Week 17: 深度学习补遗：Boosting和量子逻辑门

最新推荐文章于 2025-11-29 23:29:11 发布

原创

最新推荐文章于 2025-11-29 23:29:11 发布 · 889 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #boosting #人工智能

Week 17: 深度学习补遗：Boosting和量子逻辑门

摘要

本周继续跟随李宏毅老师的课程，学习了上周的Adaboost训练分类器后的集成方法，同时学习了量子计算相关进阶内容。对Boosting的一般方法进行了学习，同时对量子逻辑门的基本概念有了一定的了解。

Abstract

This week, I continued following Professor Hung-yi Lee’s course, learning ensemble methods following last week’s study of Adaboost training classifiers, while also covering advanced topics in quantum computing. I studied the general methodology of Boosting and gained a foundational understanding of the basic concepts of quantum logic gates.

1. Adaboost聚合分类器的方法

对于训练出的 $T$ 个分类器 $f1(x),…,ft(x),…,fT(x)f_1(x),\dots,f_t(x),\dots,f_T(x)$ ，需要经过下述步骤聚合成一个模型。

统一权重
- $H(x)=sign(∑t=1Tft(x))H(x)=sign(\sum_{t=1}^Tf_t(x))$
非统一权重
- $H(x)=sign(∑t=1Tαtft(x))H(x)=sign(\sum_{t=1}^T\alpha_tf_t(x))$

即，当 $H(x)≥0H(x)\geq0$ 时，属于类别1；而当 $H (x) < 0$ 时，属于类别2。而其中， $αt=ln⁡(1−ϵt)/ϵt\alpha_t=\ln\sqrt{(1-\epsilon_t)/\epsilon_t}$ ， $ut+1n=utn×e−yn^ft(xn)αtu^n_{t+1}= u_t^n\times e^{-\hat{y^n}f_t(x^n)\alpha_t}$ 。简单来说，更小的误差会给分类器带来更大的权重。在合并分类器时，统一权重的方法不好，因为分类器有强和弱的分别，用非统一权重的方式更符合直觉。