Boosting的思想是集成学习,把许多个弱分类器结合起来,构成一个强分类器。首先输入原始的训练样本,得到一个弱分类器,可以知道它的正确率和错误率。计算该弱分类器的权重,如下:然后提高错误分类样本的权重,让后面的分类器focus它们,调整样本的权重:如果原本分类正确:如果样本分类错误:把新的样本输入
Boosting的思想是集成学习,把许多个弱分类器结合起来,构成1个强分类器。
首先输入原始的训练样本,得到1个弱分类器,可以知道它的正确率和毛病率。计算该弱分类器的权重,以下:
![](https://www.jb51.cc/res/2020/11-03/09/450b10694d20a3a8891509e55f5a8cb7.png)
然后提高毛病分类样本的权重,让后面的分类器focus它们,调剂样本的权重:
如果本来分类正确:![](https://www.jb51.cc/res/2020/11-03/09/02aa28bc8ae994da5c93f49db1b50cdd.png)
如果样本分类毛病:![](https://www.jb51.cc/res/2020/11-03/09/a0558dfbff8e996d9d55b91c7cc5a6d2.png)
把新的样本输入到后面学习,重复这个进程,得到许多个弱分类器,及其分类器的权重。
注意,Boosting算法中有两个权重,1个是分类器的权重,1个是样本的权重。
Boosting算法的优点:性能好,可以避免过拟合,可以综合多个分类器的优势。
缺点:对离群点比较敏感。