一種多分類的AdaBoost算法
大?。?/span>0.86 MB 人氣： 2017-12-01 需要積分：1
標簽：多分類(5928)
多類指數損失函數逐步添加模型（ SAMME）是一種多分類的AdaBoost算法，為進一步提升SAMME算法的性能，針對使用加權概率和偽損失對算法的影響進行研究，在此基礎上提出了一種基于基分類器對樣本有效鄰域分類的動態加權AdaBoost算法SAMME. RD。首先，確定是否使用加權概率和偽損失；然后，求出待測樣本在訓練集中的有效鄰域；最后，根據基分類器針對有效鄰域的分類結果確定基分類器的加權系數。使用UCI數據集進行驗證，實驗結果表明：使用真實的錯誤率計算基分類器加權系數效果更好；在數據類別較少且分布平衡時，使用真實概率進行基分類器篩選效果較好；在數據類別較多且分布不平衡時，使用加權概率進行基分類器篩選效果較好。所提的SAMME. RD算法可以有效提高多分類AdaBoost算法的分類正確率。
?
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
一種多分類的AdaBoost算法下載
相關電子資料下載
- 機器學習多分類任務深度解析 625
- 使用Python從零實現多分類SVM 337
- 怎樣使用Python從零實現多分類SVM呢？ 363
- 原來柔性振動盤的盤面還有這么多分類 929
- 如何利用二分類學習器來解決多分類問題 7678