2023學年完整公開課版Boosting_第1頁
2023學年完整公開課版Boosting_第2頁
2023學年完整公開課版Boosting_第3頁
2023學年完整公開課版Boosting_第4頁
2023學年完整公開課版Boosting_第5頁
已閱讀5頁，還剩5頁未讀， 繼續(xù)免費閱讀

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權，請進行舉報或認領

文檔簡介

Boosting1.熟悉Boosting基本概念

2.了解AdaBoost運行過程

3.掌握過擬合overfitting的基本概念Boosting基本概念AdaBoost運行過程12過擬合overfitting31.Boosting基本概念Boosting是一個迭代的過程，用來自適應地改變訓練樣本的分布，使得基分類器聚焦在那些很難分的樣本上Boosting是一種與bagging很類似的技術Bagging中的分類器權重是相等的Boosting分類的結果是基于所有分類器的加權求和結果的Boosting的分類器是通過串行訓練而獲得的每個新分類器都根據(jù)已訓練出的分類器的性能來進行訓練通過集中關注被已有分類器錯分的那些數(shù)據(jù)來獲得新的分類器2.AdaBoost運行過程權重初始化成相等值在訓練數(shù)據(jù)上訓練出一個弱分類器并計算該分類器的錯誤率在同一數(shù)據(jù)集上再次訓練弱分類器，并重新調(diào)整每個樣本的權重2.AdaBoost運行過程權重初始化成相等值在訓練數(shù)據(jù)上訓練出一個弱分類器并計算該分類器的錯誤率在同一數(shù)據(jù)集上再次訓練弱分類器，并重新調(diào)整每個樣本的權重*如果某個樣本xi被正確分類，那么該樣本的權重Di降低*如果某個樣本xi被錯分，那么該樣本的權重Di提高AdaBoost開始進入下一輪迭代，直到訓練錯誤率為0或者弱分類器的數(shù)目達到用戶的指定值為止最終分類器的結果是所有分類器的結果Ri與其權重alpha的乘積的總和：class=sign(Σ(i=1,N)(αi*Ri))3.過擬合overfitting對于表現(xiàn)好的數(shù)據(jù)集，AdaBoost會達到一個穩(wěn)定的測試錯誤率，而并不會隨分類器數(shù)目的增多而提高隨著分類器數(shù)目的增多，測試錯誤率在達到了一個最小值之后又開始上升了過擬合，也稱過學習，表示模型過度擬合了訓練數(shù)據(jù)，而在測試數(shù)據(jù)上效果較差3.過擬合overfitting分類器數(shù)量錯誤率對于表現(xiàn)好的數(shù)據(jù)集，AdaBoost會達到一個穩(wěn)定的測試錯誤率，而并不會隨分類器數(shù)目的增多而提高隨著分類器數(shù)目的增多，測試錯誤率在達到了一個最小值之后又開始上升了過擬合，也稱過學習，表示模型過度擬合了訓練數(shù)據(jù)，而在測試數(shù)據(jù)上效果較差1.Boosting

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論