Adaboost 算法API理解

sklearn.ensemble.AdaBoostClassifier 

 

class sklearn.ensemble.AdaBoostClassifier(base_estimator=None, n_estimators=50, learning_rate=1.0, algorithm=’SAMME.R’, random_state=None)

参数：

base_estimator ： object，optional（default = None） 构建增强系综的基础估计器。需要支持样本加权，以及正确 classes_和n_classes_属性。如果None，则基本估算器是DecisionTreeClassifier(max_depth=1) n_estimators ： 整数，可选（默认= 50） 提升终止的最大估计数。在完美契合的情况下，学习过程提前停止。 learning_rate ： float，optional（默认= 1。） 学习率会缩小每个分类器的贡献 learning_rate。在learning_rate和 之间需要权衡n_estimators。 algorithm ： {'SAMME'，'SAMME.R'}，可选（默认='SAMME.R'） 如果'SAMME.R'则使用SAMME.R真正的增强算法。 base_estimator必须支持类概率的计算。如果'SAMME'则使用SAMME离散增强算法。SAMME.R算法通常比SAMME快收敛，通过较少的增强迭代实现较低的测试误差。 random_state ： int，RandomState实例或None，可选（默认=无） 如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果为None，则随机数生成器是由其使用的RandomState实例np.random。

 

sklearn.ensemble.AdaBoostRegressor

参数：

base_estimator：object，optional（default = DecisionTreeRegressor） 构建增强系综的基础估计器。需要支持样品加权。 n_estimators：整数，可选（默认= 50） 提升终止的最大估计数。在完美契合的情况下，学习过程提前停止。 learning_rate：float，optional（默认= 1。） 学习率会缩小每个回归量的贡献 learning_rate。在learning_rate和 之间需要权衡n_estimators。 损失：{'linear'，'square'，'exponential'}，可选（默认='线性'） 在每次增强迭代后更新权重时使用的损失函数。 random_state：int，RandomState实例或None，可选（默认=无） 如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果没有，随机数生成器所使用的RandomState实例np.random。