统计学习方法 第八章总结
来源:互联网 发布:virtualbox mac os 11 编辑:程序博客网 时间:2024/05/17 06:17
集成方法主要包括:bagging和boosting思想
其中boosting的思想是:通过改变训练样本的权重(即改变训练数据的概率分布),学习多个分类器,并将这些分类器进行线性组合,提高分类的性能。
在概率近似正确(PAC)学习的框架下,一个概念是强可学习的充分必要条件是这个概念是弱可学习的。(不懂)
adaboost:
解决了两个问题:
- 每一轮,即每一个分类器,如何改变训练数据的权值或概率分布:提高前一轮被错误分类的样本权重,降低前一轮被正确分类的样本权重。
如何组合弱分类器成为强分类器:加大分类误差率小的弱分类器的权值,使其在表决中起较小的作用。
步骤:
f(x) 的符号决定实例x的类,[f(x)] 的绝对值表示分类的确信度
adaboost 算法的训练误差分析:
两个定理,一个推论:
所以adaboost的误差上届由分类器的个数,以及每个分类器的准确率决定。
阅读全文
0 0
- 统计学习方法 第八章总结
- 统计学习方法 李航---第12章 统计学习方法总结
- 《统计学习方法》第八章提升方法学习笔记
- 《统计学习方法,李航》:12、统计学习方法总结
- 统计学习方法-学习总结
- 统计学习方法第一章总结
- 五、决策树--统计学习方法总结
- 统计学习方法总结、应用对比
- 统计学习方法-第二章
- 统计学习方法第三章
- 统计学习方法第四章
- 统计学习方法 第五章
- 二、感知机--统计学习方法总结
- 三、k近邻法--统计学习方法总结
- 四、朴素贝叶斯法--统计学习方法总结
- 《统计学习方法》学习总结(未完待续)
- 《统计学习方法》笔记01:总结概括
- 统计学习方法 笔记与总结 决策树
- MyRowMapper<T>
- 基数排序java
- 全卷积(FCN)论文阅读笔记:Fully Convolutional Networks for Semantic Segmentation
- bat批处理文件夹内文件名的提取
- 网络钓鱼攻击使用HTTPS攻击受害者
- 统计学习方法 第八章总结
- git 创建本地仓库
- 基于Android端WebRTC点对点互连
- 图片压缩工具类
- java垃圾回收的标记、算法、回收器总结
- .offset().top 与 .offsetTop
- git "Could not read from remote repository.Please make sure you have the correct access rights."解决方案
- jHipster 3.4 创建最流行Java Web应用项目最简单的入门基本教程
- IP分片