boosting算法是常用的集成方法之一，它通過改變訓練樣本的權重，學習多個分類器，并將這些分類器進行線性組合，提高分類的性能。其代表算法為我們本文所要介紹的Adaboost。

0 Adaboost算法的主要學習內容

1）集成學習思想

2）boosting算法原理

3）Adaboost算法原理

4）損失函數

1 集成學習思想[1]

集成學習思想，訓練若干個弱學習器，然后通過一定的策略將其結合起來成為一個強學習器。詳細可見第二章隨機森林的第一小節(jié)集成學習。集成學習可看作有兩個分支，在隨機森林中，我們介紹了集成學習的一個分支bagging，下面就來介紹另一個分支boosting。

2 boosting[2]

我們先觀察這個boosting的原理圖.

從圖中可以看出，boosting算法的工作機制是首先從訓練集用初始權重訓練出一個弱學習器1，根據弱學習器的學習誤差率表現(xiàn)來更新訓練樣本的權重，使得之前弱學習器1學習誤差率高的訓練樣本點的權重變大，讓它們在弱學習器2中得到重視，然后基于調整權重后的訓練集來訓練弱學習器2，如此重復進行，知道弱學習器數達到事先指定的數目T，最終將這T個學習器通過結合策略變成強學習器。

那Adaboost算法具體又是怎樣的呢？

3 Adaboost算法

4 Adaboost分類問題的損失函數優(yōu)化[2]

上一節(jié)，我們講到了分類Adaboost的弱學習器權重系數公式和樣本權重更新公式，但沒有解釋這個公式的由來，其實它可以從Adaboost的損失函數推導出來。

Adaboost算法還有另一種解釋，即Adaboost是模型為加法模型，學習算法為前向分步學習算法，損失函數為指數函數的分類問題。

模型為加法模型好理解，我們的最終的強分類器是若干個弱分類器加權平均而得到的。前向分步學習算法也好理解，我們的算法通過一輪輪的弱學習器學習，利用前一個弱學習器的結果來更新后一個弱學習器的訓練權重，也就是說，第k-1輪的強學習器為：

4 Adaboost算法總結

4.1 Adaboost的優(yōu)點：

1）Adaboost作為分類器時，分類精度很高

2）在Adaboost的框架下，可以使用各種回歸分類模型來構建弱學習器，非常靈活。

3）作為簡單的二元分類器時，構造簡單，結果可理解。

4）不容易發(fā)生過擬合

4.2 Adaboost的缺點：

1）對異常樣本敏感，異常樣本在迭代中可能會獲得較高的權重，影響最終的強學習器的預測準確性。

2）Adaboost迭代次數也就是弱分類器數目不太好設定，可以使用交叉驗證來進行確定。

3）訓練比較耗時，每次重新選擇當前分類器最好切分點。

4.3 Adaboost算法應用

1）計算機視覺：目標檢測

2）預測森林火災

3）信用評估

4）人臉檢測

參考文獻

[1] http://blog.idea2du.com/er-sui-ji-sen-lin/

[2] https://www.cnblogs.com/pinard/p/6133937.html

[3] 李航，《統(tǒng)計學習方法》

[4] https://www.cnblogs.com/ScorpioLu/p/8295990.html

[5] https://blog.csdn.net/haidao2009/article/details/7514787

[6] https://blog.csdn.net/dark_scope/article/details/14103983

(部分文字、圖片來自網絡，如涉及侵權，請及時與我們聯(lián)系，我們會在第一時間刪除或處理侵權內容。電話：4006770986    負責人：張明）