分类问题 boosting思想详解大数据

Boosting思想：

Boosting方法不是一种特定的学习方法，而是一种在已有的学习方法基础上进行“投票”的方式。具体说来，它是对已有的若干分类器（可谓同类或者异类，且分类效果不死很好，比较弱）进行加权求和得到最终的分类器。虽然从理论上来说, 任何机器学习方法都可以作为Boosting 方法的弱学习器,在实际中，Boosting的弱规则常采用基于规则的方法。

Boosting通过关注弱规则的错误而逐渐组合成强规则，所以它是一种错误驱动的方法。这其中，AdaBoost是Boosting方法中最常用的一种。如下是最初的AdaBoost算法的思想：

具体说来：

给定带有标签的N个训练样本，初始化时每个样本的权重设为1/N，对一下操作循环T次

1、使用给定算法训练分类器ht，注意使用到了样本的权重，即不同的权重的样本，分类器对待态度不同

2、计算该分类器ht的错误率error

3、根据上面计算的错误率error根据给定公式为该分类器设置权重at

4、根据该分类器的权重更新全部训练样本的权重 （注意给样本权重归一化，即所有样本的权重加起来和为1）

循环结束后，根据公式得到最终的分类器

注意此处的ht的分类效果不可太好，如果太好，最后boosting后的效果反而不如ht本身的分类结果。

选择标准：就SVM分类器而言：其参数（方差)不可取太小，分类正确率在50%左右比较合适。

9516.html