基于样本抽样和权重调整的SWA-Adaboost算法

• 作者: 赵彦 高敬阳
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 样本预处理 均衡抽样 权重调整 泛化性能 类中心最小距离 样本区分度
• 年，卷（期）: 2014,（9）
• 所属期刊栏目: ?人工智能及识别技术?
• 页码范围: 248-251,256
• 页数: 5页
• 分类号: TP18
• 字数: 2747字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-3428.2014.09.050

摘要

根据分类算法是依据样本区分度进行分类的原理，提出增加样本属性以提高样本区分度的方法，在样本预处理阶段对所有样本增加一个属性值dmin以加强样本之间的区分度。针对原始Adaboost算法在抽样阶段由于抽样不均而导致对某些类训练不足的问题，采用均衡抽样方法，保证在抽样阶段所抽取的不同类样本的数量比例不变。针对原始算法样本权重增长过快的问题，给出新的权重调整策略，引入样本错分计数量count( n)，有效地抑制样本权重增长速度。给出一种改进的Adaboost算法，即SWA-Adaboost算法，并采用美国加州大学机器学习UCI数据库中6种数据集的数据对改进算法与原始算法进行实验对比，结果证明，改进算法SWA-Adaboost在泛化性能上优于Adaboost算法，泛化误差平均降低9．54%。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	高敬阳	北京化工大学信息科学与技术学院	26	147	7.0	11.0
2	赵彦	北京化工大学信息科学与技术学院	1	1	1.0	1.0