Boosting

最新推荐文章于 2024-03-20 12:47:55 发布

cocoCreate

最新推荐文章于 2024-03-20 12:47:55 发布

阅读量910

点赞数

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/weixin_42492025/article/details/83618664

原理

h∈{-1,1}

思想：弱学习器组合成强学习器（团队力量大于个人）

$H(x)=sign(h^{1}(x)+h^{2}(x)+h^{3}(x))$

情况下很好；情况下，比原来更糟；

1 选取特地分类器

DATA-------->h1 DATA+exaggeration of h1 error----->h2 DATA+exaggeration of h2 error----->h3

2 GET OUT THE VOTE

3 DESCISION TREEN STUMP

dim=the number of lines can put in *2

boosting可用于任何分类器

$w_{i}^{1}=\frac{1}{N}\\\ \varepsilon=\sum_{error}\frac{1}{N}=\sum_{error}w_{i}$ 初始状态不知道信息均匀分配；夸大错误的权重 Σwi=1 保证是一个分布

4 $H(x)=sign(\sum_{i}\alpha ih_{x}^{i})$ 计分多项式

集体中并非每个人都会被同等对待，专家在各自领域很精通

5 流程图：

6

$w_{i}^{t+1}=w_{i}^{t}/z exp\{-\alpha^{t}h^{t}(x) y(x)\}\\ =w_{i}^{t}/z\{\sqrt{\frac{1-e^{\varepsilon }}{e^{\varepsilon }}}\ if\ right;else\ \sqrt{\frac{e^{\varepsilon }}{1-e^{\varepsilon }}}\}\\ \ min\ error\ for\ whole\ thing\ if\ \alpha ^{i}=1/2ln(\frac{1-e^{\varepsilon }}{e^{\varepsilon }})$ 1/2 计算方便

由分布函数的归一性可以导出： $\sum w^{t+1}=1/2\sum w^{t}$ 更新后的权重之和是更新前正确答案的缩放版本（1/2 即不会过度拟合）

Adaboost

弱分类器：只有一个分裂的决策树数值优化：牛顿迭代 L2损失函数

加法模型，指数函数为损失函数，学习算法为前向分步

关于误差：训练误差有界测试误差随训练次数变化公式看：T 越大会过拟合根据奥卡姆剃刀原理最简单的是对的选择T小的而实际是训练次数越多模型越好---待研究！

Xgboost:

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。