组合分类器
来源:互联网 发布:java base64 编辑:程序博客网 时间:2024/06/18 06:35
装袋、提升和随机森林都是组合分类方法的例子。组合分类把k个学习得到的模型(或基分类器)M1、M2,...,Mk组合在一起,旨在创建一个改进的复合分类模型M*。
装袋(Bagging)
有放回的抽样,训练k个模型,然后对分类样本进行投票表决。
提升(boosting)
在提升方法中,权重赋予每个训练元组。迭代地学习k个分类器。学习得到分类器Mi之后,更新权重,使得其后的分类器Mi+1“更关注”Mi误分类的训练元组。最后提升的分类器M*
组合每个个体分类器的表决,其中每个分类器投票的权重是其准确率的函数。
Adaboost(Adaptive Boosting)是一种流行的提升方法。假设我们想提升某种学习方法的准确率。给定数据集D,它包含d个类标记的元组(x1,y1),(x2,y2),...,(xd,yd),其中yi是元组xi的类标号。开始,Adaboost对每个训练元组赋予相等的权重1/d。为组合分类器产生k个基分类器需要执行算法的其余部分k轮。
在第i轮中,从D中元组抽样,形成大小为d的训练集Di。使用有放回抽样-即同一个元组可能被选中多次。每个元组被选中的机会由它的权重决定。从训练样Di导出分类器Mi。然后使用Di作为检验集计算Mi的误差。训练元组的权重根据它们的分类情况调整。
如果元组不正确的分类,则它的权重增加。如果元组正确的分类,则它的权重减少。元组的权重反映对它们分类的困难程度-权重越高,越可能错误地分类。然后使用这些权重,为下一轮的分类器产生训练样本。其基本思想是,当建立分类器时,希望它更关注上一论误分类的元组。某些分类器对某些“困难”元组分类可能比其他分类器好。这样建立了一个互补的分类器系列。
对每个被正确分类的元组权重调整为:
权重=权重*error(Mi)/(1-error(MI));
使用组合分类器对元组x分类,各个分类器的权重为:
wi=log((1-error(Mi)/error(Mi));
- 分类器组合方法
- 组合分类器
- 组合分类器设计
- 提升分类器准确率的组合方法
- 分类(5):组合分类器-随机森林
- 【机器学习】分类器组合——AdaBoost
- 系统学习机器学习之组合多分类器
- Spark平台下的组合分类器AdaBoost
- 搜索 推荐系统 聚类 分类 分类器组合之【智能Web算法】笔记
- LOAD_BALANCE FAILOVER SOURCE_ROUTE 组合分类
- 分类组合计划 - Assortment Planning
- Leetcode分类解析:组合算法
- PHP算法 参数组合,多个分类不同组合列表
- 小数学解决大问题 - 分类器组合方法(由民主投票想到)
- 分类器组合方法Bootstrap, Boosting, Bagging, 随机森林(一)
- 分类器组合方法Bootstrap, Boosting, Bagging, 随机森林(二)
- 概念的分类,组合与模式
- UVa 11538 Chess Queen (组合&分类)
- JVM 实用参数-5 新生代垃圾回收
- MySQL查询数据表中数据记录(包括多表查询)
- 8.2.4临时表和正式表
- Boost::Lexical_Cast的使用
- javaweb学习总结(七)——HttpServletResponse对象(一)
- 组合分类器
- android:scaleType 设置图片显示
- Ubuntu Linux 安装 .7z 解压和压缩文件
- ArrayList的源码
- MySQL查询数据表中数据记录(包括多表查询)
- Fiddler On Linux
- ajax动态生成table
- 1.4.1 控件学习-TextView控件学习
- android EditText inputType说明