本文選題：Adaboost算法　切入點：K-means++算法　出處：《蘭州大學》2017年碩士論文

【摘要】：Adaboost算法主要用于處理分類問題和回歸問題,Adaboost算法的核心是將迭代生成的基分類器通過加權組合的方式生成強分類器.與我們接觸較多的其他類機器學習算法相比,Adaboost算法能有效的避免過擬合的問題.本文主要將Adaboost算法用于分類問題.在經典的Adaboost算法中,基分類器的權重是通過基分類器對訓練子集分類的錯誤率計算得來的,并被賦予固定的的權重,即生成的最終分類是唯一的.當測試樣本與訓練樣本存在一定的偏差時,訓練出的強分類器有可能就不具有很好的泛化能力,導致最終的分類結果不能達到我們的預期效果.本文提出了基于不同的測試樣本生成不同的強分類器的想法.主要思想是,先將訓練集通過K-means++算法聚類分組,再通過歐氏距離計算測試樣本與各組的相似度,并通過錯誤率計算出各個基分類器對各組的權重,最后結合相似度和權重,加權組合生成最終的強分類器.本文選取2組數據集進行實證分析,最終得出,改進后的Adaboost算法比經典的Adaboost算法分類效果更好.
[Abstract]:In this paper , we put forward the idea of generating different strong classifiers by means of weighted combination . The main idea is that , when the test sample and the training sample have certain deviation , the weighted combination is used to generate the final strong classifier .

【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP181;TP311.13

【參考文獻】

相關期刊論文 前3條

1 張亮;李智星;王進;;基于動態(tài)權重的AdaBoost算法研究[J];計算機應用研究;2017年11期

2 曹瑩;苗啟廣;劉家辰;高琳;;AdaBoost算法研究進展與展望[J];自動化學報;2013年06期

3 李亞軍;劉曉霞;陳平;;改進的AdaBoost算法與SVM的組合分類器[J];計算機工程與應用;2008年32期

，

本文編號：1721929