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：
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：
如果样本分类毛病：
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。
本站采用系统自动发货方式，付款后即出现下载入口，如有疑问请咨询在线客服！
售后时间：早10点 - 晚11:30点
服务热线 19970861797
返回顶部
