-
-
-
集成学习（三）—— Adaboost的理念和推导
Adaboost的理念与推导
说明
adaboost也是集成学习的一种，也是很多模型一起做决策，最终投票决定，下面会介绍一下adaboost的理念、流程以及简要推导。
理念
1.错题应该被多做
bagging中的抽样是随机的，但更boosting的策略是使 ...
-
知识篇——基于AdaBoost的分类问题
这一生活问题映射到计算机世界就变成了元算法（meta-algorithm）或者集成方法（ensemble
method）。这种集成可以是不同算法的集成，也可以是同一算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。AdaBoost就是一种最流行的元算法。
AdaBoost是adaptiveboosting的缩写，boosting是一种与bagging很类似的技术，将原始数据集选择S次后得到S个新数据集，新数据集与原始数据集大小相等，每个数据集都是通过在
-
机器学习实战之AdaBoost算法
... 集成，还可以将数据集的不同部分分配不同的分类器，再将这些分类器进行集成。adaBoost分类器就是一种元算法分类器，adaBoost分类器利用同一种基分类器（弱分类器），基于分类器的错误率分配不同的权重参数，最后累加加权的预测结果作为输出。在介绍adaBoost之前，我们首先大致介绍一种基于数据随机重抽样的分类器构建方法，即bagging（bootstrap
-
-
Adaboost入门教程——最通俗易懂的原理介绍
说到Adaboost，公式与代码网上到处都有，《统计学习方法》里面有详细的公式原理，Github上面有很多实例，那么为什么还要写这篇文章呢？希望从一种更容易理解的角度，来为大家呈现Adaboost算法的很多关键的细节。
Adaboost算法基本原理就是将多个弱分类器（弱分类器一般选用单层决策树）进行合理的结合，使其成为一个强分类器。Adaboost采用迭代的思想，每次迭代只训练一个弱分类器，训练好的弱分类器将参与下一次迭代的使用。也就是说，在第N次迭代中，一共就有N个弱分类器
-
基于核稀疏表示和AdaBoost算法的自然场景识别
为了提升自然场景图像的识别精度，结合bag-of-visual word模型，提出了一种基于核稀疏表示的图像识别方法。该方法的图像描述部分主要利用核稀疏表示在高维度空间进行图像特征的匹配表示，识别部分采用AdaBoost分类器，对各个类别编码并在对应的核矩阵上进行划分，从而实现多类场景图像的识别能力。实验结果表明，该方法有效的提升了图像描述的准确度与对自然场景图像识别的精度。
-
基于深度特征和Adaboost的机场跑道异物识别算法
针对机场跑道深度图像，研究并提出了基于深度特征和Adaboost的机场跑道异物识别算法。文中采用分水岭分割方法将可疑的异物区域分割出来。然后在提取深度特征的基础上，采用Adaboost分类器实现异物识别。实验结果表明该算法能够准确地完成机场跑道的异物识别。
-
基于肤色分割和改进AdaBoost算法的人脸检测
... 含有多人脸时，不能够快速准确的进行人脸检测的问题，本文提出一种基于肤色分割和改进AdaBoost算法的人脸检测方法。首先利用肤色分割方法对样本图像实现图像的预处理，排除样本图像的复杂背景和人体非肤色区域，简化后续的人脸检测工作。然后对AdaBoost算法的弱分类器使用双阈值判决方法，以减少弱分类器个数，提升训练速度；改进权 ... 更新规则，防止训练过程中出现过分配现象。最后对基于肤色分割得到的区域图像利用改进后的Adaboost算法进行最后的精确人脸检测。仿真试验表明，两种算法结合后在训练速度上提升，在 ...
-
一种基于改进的AdaBoost、肤色和2DPCA的人脸检测方法
为了提高复杂背景下多人脸检测率以及人脸检测速度，提出了一种基于改进AdaBoost、肤色检测和二维主成分分析法（Two-dimensional Principal Component Analysis，2DPCA）的人脸检测方法。该方法首先利用金字塔结构快速检测人脸，得到人脸检测区域，然后利用肤色检测对待判人脸区域进行过滤，过滤误检的非人脸区域，最后根据人脸的几何位置进行人脸关键部位的2DPCA检测。仿真结果表明，该方法实现了复杂背景下多人脸图像快速检测和精确定位，有效降低了误检率，使检测结果更加精确。
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
