基于基分类器系数和多样性的改进AdaBoost算法

• 作者: 朱亮 徐华 崔鑫
• 来源期刊: 计算机应用
• 关键词: 权重 多样性 AdaBoost 双误度量 分类性能
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 人工智能|Artificial intelligence
• 页码范围: 2225-2231
• 页数: 7页
• 分类号: TP181
• 语种: 中文
• DOI: 10.11772/j.issn.1001-9081.2020101584

摘要

针对传统AdaBoost算法的基分类器线性组合效率低以及过适应的问题,提出了一种基于基分类器系数与多样性的改进算法——WD AdaBoost.首先,根据基分类器的错误率与样本权重的分布状态,给出新的基分类器系数求解方法,以提高基分类器的组合效率;其次,在基分类器的选择策略上,WD AdaBoost算法引入双误度量以增加基分类器间的多样性.在五个来自不同实际应用领域的数据集上,与传统AdaBoost算法相比,CeffAda算法使用新的基分类器系数求解方法使测试误差平均降低了1.2个百分点;同时,WD AdaBoost算法与WLDF_Ada、AD_Ada、sk_AdaBoost等算法相对比,具有更低的错误率.实验结果表明,WD AdaBoost算法能够更高效地集成基分类器,抵抗过拟合,并可以提高分类性能.