基于指数损失和0-1损失的在线Boosting算法

• 作者: 侯杰 孙金生 茅耀斌
• 来源期刊: 自动化学报
• 关键词: AdaBoost 在线学习 特征选择 不平衡数据
• 年，卷（期）: 2014,（4）
• 所属期刊栏目: 论文与报告
• 页码范围: 635-642
• 页数: 8页
• 字数: 6604字
• 语种: 中文
• DOI: 10.3724/SP.J.1004.2014.00635

摘要

推导了使用指数损失函数和0-1损失函数的Boosting 算法的严格在线形式，证明这两种在线Boosting 算法最大化样本间隔期望、最小化样本间隔方差。通过增量估计样本间隔的期望和方差， Boosting 算法可应用于在线学习问题而不损失分类准确性。 UCI数据集上的实验表明，指数损失在线Boosting算法的分类准确性与批量自适应Boosting (AdaBoost)算法接近，远优于传统的在线Boosting；0-1损失在线Boosting 算法分别最小化正负样本误差，适用于不平衡数据问题，并且在噪声数据上分类性能更为稳定。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	茅耀斌	南京理工大学自动化学院	37	772	17.0	27.0
2	孙金生	南京理工大学自动化学院	62	829	15.0	26.0
3	侯杰	南京理工大学自动化学院	2	8	1.0	2.0