本课程聚焦 AdaBoost 多分类核心技术，从原理、公式到实战层层拆解，帮你快速掌握这一经典集成学习算法。
AdaBoost（Adaptive Boosting，自适应提升）算法由 Yoav Freund 和 Robert Schapire 于 1995 年提出，是一种能自动找出薄弱环节并不断改进的集体学习方法，是机器学习历史上具有里程碑意义的算法。它首次在理论上证明：即使是性能较弱的模型，只要经过合理的组合，也能形成一个强大的分类器。凭借简单而高效的设计，它在图像识别、医学诊断、金融风控等多个领域得到... 查看完整内容
前面对算法训练过程的描述都只是思路，到底错一个样本，样本权重该涨多少？模型权重应该怎么计算？这些问题全靠猜或者拍脑袋，算法就没法落地。 为了让样本权重怎么调、模型权重怎么定都变成精确而可执行的规则，我们需要进行公式推导，把这些口头的直觉，变成清晰的数学步骤，让 AdaBoost 的机制从想法变成算法。 1. 目标函数 其中： [latex] F_{m}(x) [/latex] 也是一个 [late... 查看完整内容
AdaBoost 核心思想是关注错误样本、动态调整权重。每轮训练后，提高被当前弱学习器误分类样本的权重，让后续弱学习器更聚焦于这些难分样本。同时，根据弱学习器的分类精度，为其分配不同权重（精度越高，权重越大），最终通过加权投票得到强学习器。 接下来，以具体案例为核心，拆解完整训练过程，帮助大家理解自适应权重调整的本质。我们采用10 个样本的 3 分类任务，数据如下表所示。特征仅 1 个，类别分为 ... 查看完整内容
冀公网安备13050302001966号
