李航《统计学习方法》AdaBoost算法(课后习题)
AdaBoost:https://blog.csdn.net/v_JULY_v/article/details/40718799
提升树:https://www.cnblogs.com/daguankele/p/6557328.html
强可学习的:一个概念如果存在一个多项式的学习算法能够学习它,并且正确了很高,那么,这个概念是强可学习的;
弱可学习的:一个概念如果存在一个多项式的学习算法能够学习它,并且学习的正确率仅比随机猜测略好,那么,这个概念是强可学习的;
强可学习和弱可学习是等价的;
在学习中,如果发现了“弱学习算法“,能否将他提升为“强学习算法”
大多数提升方法是改变训练数据的概率分布(训练数据的权值分布)
1.在每一轮如何改变训练数据的权值和概率分布?
提高被前一轮错误分类样本的权值,降低正确分类样本的权值
2.如何将弱分类器组合成强分类器?
选取多数表决方式,即加大分类误差小的弱分类器权重
AdaBoost就是将一些简单可训练的非线性关系,通过加权和的方式将多个非线性关系相加,其中每次训练的数据集的权重不同,参见1
提升树:损失函数为平方损失为回归,指数损失为分类器
针对其他损失函数,提出梯度提升方法,不再使用残差而是损失的负梯度
习题8.1 问题总结为:AdaBoost算法学习一个强分类器,且假设弱分类器为决策树桩
则 涉及:AdaBoost学习强分类器方法,参考8.1.3例子;并涉及决策树分类器知识,选用CART算法,可参考5.5 定义5.4 (基尼指数)算法5.6(CART生成算法) 例5.4
以上多为自己计算,参考了书本知识和网上资源,但发现有些不同,有错误的地方希望大家指出,共同学习
李航《统计学习方法》AdaBoost算法(课后习题)相关推荐
- 李航 统计学习方法 第二版 课后习题答案 机器学习
李航<统计学习方法>课后习题答案(第2版)
- 李航 统计学习方法 第二版 课后习题答案
第一章 第二章 1 第二章2 第三章 第四章 1 第四章 2 第五章 1 第五章 2 第六章 第七章 1 第七章 2
- 统计学习方法-第二章课后习题答案整理
2.1Minsky和Papert指出: 感知机因为是线性模型, 所以不能表示复杂的函数,如异或. 验证感知机为什么不能表示异或 参考链接: https://blog.csdn.net/yangfeis ...
- 李航统计学习方法EM算法三枚硬币例子Q函数推导
具体推导如下: 上面推导省略了第i次迭代的i的标记 当得到上式以后,可以参考 http://www.cnblogs.com/Determined22/p/5776791.html 来继续一下推导 当然 ...
- 统计学习方法 pdf_李航统计学习方法(第三章)
第3章 k 近邻法 k 近邻法(k-NN)是一种基于实例的学习方法,无法转化为对参数空间的搜索问题(参数最优化问题).它的特点是对特征空间进行搜索.除了k近邻法,本章还对以下几个问题进行较深入的讨论: ...
- 【李航统计学习方法】感知机模型
目录 一.感知机模型 二.感知机的学习策略 三.感知机学习算法 感知机算法的原始形式 感知机模型的对偶形式 参考文献 本章节根据统计学习方法,分为模型.策略.算法三个方面来介绍感知机模型. 首先介绍感 ...
- 李航 统计学习方法 课后习题答案 第二版
李航<统计学习方法>课后习题答案(第2版)
- 重磅开源!所有的李航老师《统计学习方法》算法代码实现!!!
关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 超有料的仓库项目资源---<统计学习方法>代码 李航老师的<统计 ...
- 《李航 统计学习方法》学习笔记——第八章提升方法
提升方法 8.1提升方法AdaBoost 8.1.1提升方法的基本思路 8.1.2AdaBoost算法 8.1.3AdaBoost的例子(代码实现) 8.2AdaBoost算法的训练误差分析 定理8. ...
- 李航统计学习感知机算法实现
前言 李航的<统计学习方法>和西瓜书是入门机器学习进而到深度学习的经典书籍,笔者是数学专业大二在读,在编程方面仍有许多不足之处,在已经看完相关经典书籍后开始编程实践.因为本人愚钝,且不善编 ...
最新文章
- xib与nib的区别
- 斯坦福团队开发智能盲杖,搭载激光雷达,可探测障碍规划路线,完全开源可在家DIY...
- zabbix action 执行远程命令
- c语言字母如何代表中文,怎么对中文字符串进行对比
- php插入日志到数据库,对象转json
- makefile内容小结
- 我是服务的执政官-服务发现和注册工具consul简介
- 突然听到一只公鸡的局域网聊天软件
- Hybrid A*论文解析(4)
- linux 内存泄露检测工具——valgrind
- 10个JavaScript图像处理库,收藏好留备用
- 【历史上的今天】8 月 17 日:Oracle 创始人出生;第一个 COBOL 程序成功跑通!...
- net高并发处理技术_高并发业务服务器发生处理的几种状态?
- 使用eclipse开发jsp项目入门
- 机器学习 | 线性方法降维(理论篇)
- python招聘杭州拉勾网_Python拉勾网职位分析-Pyecharts
- kibana的安装(elasticsearch图形化界面)
- C#getPixel和内存法读取灰度图信息
- Glyphs App Essential Training Glyphs App基础教程 Lynda课程中文字幕
- 【安全测试】数据安全性
热门文章
- maven 排除某个类_Maven exclusions(排除依赖)
- 华大单片机HC32L136X单片机flash数据读写操作使用
- flutter 定时器、返回上一页、设置最大最小宽度
- labelimg闪退解决方法(多人检测有效,根本原因)
- [杂记]培训杂记(一)
- Nacos客户端本地缓存和故障转移
- 理解快速离散傅里叶变换算法(FFT)
- 焦点与焦距 (focal point, focal length)
- 从0到1搭建一个简易的在线客服问答系统(附源码)
- 电子杂志制作软件iebook超级精灵2008新功能评测[转]