AdaBoost + iris数据集实现+python

最新推荐文章于 2025-04-09 19:16:25 发布

OldBibi

最新推荐文章于 2025-04-09 19:16:25 发布

阅读量3.2k

点赞数 1

分类专栏：决策树文章标签： AdaBoost iris python

本文链接：https://blog.youkuaiyun.com/weixin_43909872/article/details/86185104

版权

本文介绍了如何使用Python实现AdaBoost算法，并通过iris数据集进行实例演示。首先简述AdaBoost的基本原理，然后详细描述了数据处理、弱分类器生成和组合的过程。在数据处理阶段，将iris数据集简化为两个类别。接下来，通过循环生成多个弱分类器，并依据错误率确定其权重。最后，将所有弱分类器加权组合，得出最终的强分类器。代码中展示了5个弱分类器及其对应的特征、阈值和权重，用于预测样本属于哪个类别。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

AdaBoost

关于AdaBoost有很多文章，不多说了：
https://www.cnblogs.com/ScorpioLu/p/8295990.html
简单来说就是对数据集取不同的分类做成弱分类器，然后加起来作为强分类器
刚接触python和numpy不久，用python和iris数据集简单实现这个算法，作为学习笔记记录下来以供以后查阅

iris dataset + python实现AdaBoost

a. 数据处理
简单的把后面两个分类合成了一个，于是只剩下两个种类1和-1

iris = load_iris()
iris.target[iris.target > 0] = 1
iris.target[iris.target == 0] = -1

b. 循环生成弱分类器

def adaBoost(dataset,target,weekClassifierNo=4):
    shape = np.shape(dataset)
    recordNo = shape[0]
    weights = np.ones(recordNo)/recordNo
    featureNo = shape[1]
    weekClassifiers = {}
    for classifierSeq in range(weekClassifierNo):
    	#循环寻找好的划分
        featureValue, alpha, newWeights = findBestCut(dataset, target, weights)
        if

最低0.47元/天解锁文章