台湾国立大学机器学习技法.听课笔记(第八讲):Adaptive Boosting[漸次提昇法]
来源:互联网 发布:网络口碑双刃剑图片 编辑:程序博客网 时间:2024/06/05 09:26
台湾国立大学机器学习技法.听课笔记(第八讲)
:Adaptive Boosting[漸次提昇法]
一, Motivation of Boosting(提升法的动机)
Lin老师举了一个例子作为说明,映出boosting。
假设有一堆图片,一部分是苹果,一部分是其他的水果;有一个班的学生和一个老师,那老师怎么样引导才能让这个班中的每个学生利用自己的智慧,一起找出一个好的方法,从一堆图片中找出苹果来?
老师先叫一个学生找出一个辨认出苹果的方法:
1,叫一个同学Michael先辨认,一个学生说:是球形就是苹果,但是这样种方法会得出一些错误,我们用蓝色的底标出。得出图片1.
2,接着我们对蓝色底的图片1,请另外一个Tina学生从蓝色底的错误中来辨别出苹果来,她说是红的就是苹果,于是我们就得出另外一些错误的图片,得到图片2。
3,然后我们对蓝色底的图片2,请另外一个Joey学生从蓝色底的错误中来辨别出苹果来,她说是红的就是绿色的就是苹果,于是我们就得出另外一些错误的图片,得到图片3。
4,然后我们对蓝色底的图片3,请另外一个Jessica学生从蓝色底的错误中来辨别出苹果来,她说是红的就是有梗的就是苹果,于是我们就得出另外一些错误的图片,得到图片4。
于是此算法,我们得出:
二,Diversity by Re—weighting(多样性的权重调整)
1,Bootstrapping as Re-weighting Process(重新给定权重的自举法)
我们先来回顾一下lecture7中自举法(Bootstrapping)[即为bagging,抽取后可以放回]的例子:
我们一般对D^(~)求E_(in)的一般方法是:
我们可以把上面的式子写成带有权重的形式:
于是我们得出:
2, Weighted Base Algorithm(加权的基本算法的可行性)
于是我们得出的Weighted Base Algorithm(加权的基本算法)的基本表达形式:
那这样的表达式能不能放进SVM或者logistic regression等这些算法呢?
3,Re-weighting for More Diverse Hypothesis(对更多不同假说来重新加权)
我们已经知道了基本的加权E_(in)的表达形式,那我们能不能运用这个表达式来算出更好的g_(t)呢?
我们提出的渐进提升法的基本步骤是:
那我们怎么样才能使g_t与g_(t+1)有很大的不同,有很大的提升呢?
我们想到了:u_(t+1)带入g_t中得到的结果不是很好,这样就能使g_t得到改变:
4,‘Optimal’Re-weighting(怎么样优化Re-权重)
那要到底怎么优化呢?我们要怎么得到式子1呢?于是我们想出了:
我们通过尺寸变化得到式子1,然后就得出了g_(t)到g_(t+1)的一般表示形式:
三,Adaptive Boosting Algorithm(自适应)
- 台湾国立大学机器学习技法.听课笔记(第八讲):Adaptive Boosting[漸次提昇法]
- 台湾国立大学机器学习技法.听课笔记(第三讲) :Kernel Support Vector Machine
- 台湾国立大学机器学习技法.听课笔记(第四讲) :Soft-Margin Support Vector Machine
- 台湾国立大学机器学习技法.听课笔记(第五讲) :Kernel Logistic Regression
- 台湾国立大学机器学习技法.听课笔记(第六讲):Support Vector Regression
- 《机器学习技法》第八讲:Adaptive Boosting
- 台湾国立大学机器学习基石.听课笔记(第八讲):Noise and Error
- 台湾国立大学机器学习技法.听课笔记(第七讲):Blending(混合) and Bagging(自举)
- 听课笔记(第三讲): 机器学习的分类学 (台湾国立大学机器学习基石)
- 台湾国立大学机器学习基石.听课笔记(第三讲): 机器学习的分类
- 台湾国立大学机器学习基石.听课笔记(第四讲): 机器学习的可行性
- 台湾国立大学机器学习基石.听课笔记(第四讲): 机器学习的可行性
- 听课笔记(第四讲):学习的可行性分析 (台湾国立大学机器学习基石)
- 听课笔记(第二讲): Perceptron-感知机 (台湾国立大学机器学习基石)
- 台湾国立大学机器学习基石.听课笔记(第六讲): 一般化(举一反三)的理论
- 听课笔记(第二讲): Perceptron-感知机 (台湾国立大学机器学习基石)
- 听课笔记(第一讲):台湾国立大学的《机器学习基石》(Coursera 版)
- 台湾国立大学机器学习基石.听课笔记(第五讲): 训练和测试有什么不同
- Android Studio在SVN上创建分支
- 连接数据库工具类调用程序
- 【Python爬虫】爬取个人博客的图片
- 编写数据库常用的增、删、改、查代码(1)。
- 我的人生感想
- 台湾国立大学机器学习技法.听课笔记(第八讲):Adaptive Boosting[漸次提昇法]
- 日语歌词学习+翻译
- Leetcode 7 Reverse Integer
- uva 122
- hashtable ,hashmap的containsValue与containsKey
- 1.Cocoa Pods 安装和使用
- Volatile真的能解决线程并发吗?
- 使用反射的方法实现JDBC数据库连接与事物
- http://www.cnblogs.com/angeldevil/archive/2011/12/02/2271096.html