欢迎使用优快云-markdown编辑器

最新推荐文章于 2021-01-07 23:01:28 发布

kharis

最新推荐文章于 2021-01-07 23:01:28 发布

阅读量329

点赞数 1

CC 4.0 BY-SA版权

文章标签： adboost

本文链接：https://blog.youkuaiyun.com/qq_17811705/article/details/53612703

《机器学习》学习笔记专栏收录该内容

2 篇文章

订阅专栏

该博客介绍了优快云的Markdown编辑器，包括快捷键、Markdown语法扩展、离线写博功能、浏览器兼容性等。编辑器支持表格、定义列表、代码块、脚注、目录、数学公式和UML图的编辑，并提供了离线保存和内容恢复选项。

这里写代码片# 欢迎使用Markdown编辑器写博客

本Markdown编辑器使用StackEdit修改而来，用它写博客，将会带来全新的体验哦：

Markdown和扩展Markdown简洁的语法
代码块高亮
图片链接和图片上传
LaTex数学公式
UML序列图和流程图
离线写博客
导入导出Markdown文件
丰富的快捷键

快捷键

加粗 Ctrl + B
斜体 Ctrl + I
引用 Ctrl + Q
插入链接 Ctrl + L
插入代码 Ctrl + K
插入图片 Ctrl + G
提升标题 Ctrl + H
有序列表 Ctrl + O
无序列表 Ctrl + U
横线 Ctrl + R
撤销 Ctrl + Z
重做 Ctrl + Y

Markdown及扩展

Markdown 是一种轻量级标记语言，它允许人们使用易读易写的纯文本格式编写文档，然后转换成格式丰富的HTML页面。 —— [ 维基百科 ]

使用简单的符号标识不同的标题，将某些文字标记为粗体或者斜体，创建一个链接等，详细语法参考帮助？。

本编辑器支持 Markdown Extra , 　扩展了很多好用的功能。具体请参考Github.

表格

Markdown　Extra　表格语法：

项目	价格
Computer	$1600
Phone	$12
Pipe	$1

可以使用冒号来定义对齐方式：

项目	价格	数量
Computer	1600 元	5
Phone	12 元	12
Pipe	1 元	234

定义列表

Markdown　Extra　定义列表语法：项目１项目２

定义 A

定义 B

项目３

定义 C

定义 D

定义D内容

代码块

代码块语法遵循标准markdown代码，例如：

function accuracy = myAdaboostMulticlass( Dtrain,Dtest,baseLearner,T,tag)
%myAdaboostMulticlass Summary of this function goes here
%   input： Dtrain——training dataset
%           Dtest——testing dataset（with label）
%           baseLearner——base learner(0 represent decision stump, 1 represnet Naive Bayes)
%           T——training rounds
%           tag—— attribute discrete or continuous（0 represent discrete, 1 represent continuous）

%   output：accuracy on the training set

%adaboost这个算法我是照着紫色的数据挖掘书写的，区别是在第4行不会break掉

pT=ones(size(Dtest,1),T); %every colomn is generated by a base learner
p=ones(size(Dtest,1),1); %every sample's final result

alphaT=zeros(T,1)*(-1); %weight of each base learner. Original value is -1.
weight_sample=ones(size(Dtrain,1),1)/size(Dtrain,1); %Originate the sampling weight of each training sample

for t=1:T
    %sample from training set with withdrawal
    sampleIndex = randsample(size(Dtrain,1),size(Dtrain,1),'true',weight_sample);
    DtrainSample=Dtrain(sampleIndex,:);   %traing set after sampling for this round

    %compute the tth colomn of pT
    train_predict=zeros(size(Dtrain,1),1);

    if baseLearner==0   %base learner is dicision dump
        pT(:,t)=computeDeision(DtrainSample,Dtest(:,1:(end-1)),tag); %remove the last attribute of Dtest
        train_predict=computeDeision(DtrainSample,Dtrain(:,1:(end-1)),tag); 
    elseif baseLearner==1  %base learner is Naive Bayes
         pT(:,t)=computeNB(DtrainSample,Dtest(:,1:(end-1)),tag); 
         train_predict=computeNB(DtrainSample,Dtrain(:,1:(end-1)),tag); 
    end

    train_predict=train_predict(:); %transform to column vector

    errorate= sum( weight_sample.* (Dtrain(:,end) ~=train_predict ) );

    if errorate> 0.5  %threshold for originating weights of training samples
        alphaT(t)=0;
        %originate the sampling weight of each training sample
        weight_sample=ones(size(Dtrain,1),1)/size(Dtrain,1); 
        continue;
    end

    alphaT(t)=0.5*log((1-errorate)/errorate );

    %renew weight_sample
    weight_sample=weight_sample.* exp(alphaT(t)*( (-2)*( Dtrain(:,end)==train_predict)+1));
    weight_sample=weight_sample/sum(weight_sample);   
end

%accumulate the result from each base learner. Add up the vote for each label.
for i=1:size(Dtest)
    lable_vote=zeros(max(Dtrain(:,end)),1);
    for t=1:T
        lable_vote( pT(i,t) )=lable_vote(pT(i,t))+alphaT(t);
    end
    [~,p(i)]=max(lable_vote);
end

accuracy=sum((p==Dtest(:,end)))/size(Dtest,1);
end