基于弱分类器调整的多分类Adaboost算法

• 作者: 杨新武 袁顺 马壮
• 来源期刊: 电子与信息学报
• 学科: 工学
• 关键词: 多类分类器 多类指数损失函数的逐步添加模型 Adaboost.M1
• 年，卷（期）: 2016,（2）
• 所属期刊栏目: 论文
• 页码范围: 373-380
• 页数: 8页
• 分类号: TP391.4
• 字数: 7734字
• 语种: 中文
• DOI: 10.11999/JEIT150544

摘要

Adaboost.M1算法要求每个弱分类器的正确率大于1/2，但在多分类问题中寻找这样的弱分类器较为困难。有学者提出了多类指数损失函数的逐步添加模型(SAMME)，把弱分类器的正确率要求降低到大于1/k (k 为类别数)，降低了寻找弱分类器的难度。由于SAMME算法无法保证弱分类器的有效性，从而并不能保证最终强分类器正确率的提升。为此，该文通过图示法及数学方法分析了多分类Adaboost算法的原理，进而提出一种新的既可以降低弱分类器的要求，又可以确保弱分类器有效性的多分类方法。在UCI数据集上的对比实验表明，该文提出的算法的结果要好于SAMME算法，并达到了不弱于Adaboost.M1算法的效果。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨新武	北京工业大学计算机学院	16	111	6.0	10.0
2	马壮	北京工业大学计算机学院	1	30	1.0	1.0
3	袁顺	北京工业大学计算机学院	1	30	1.0	1.0