AdaBoost算法流程和证明.doc

:..尚联挂悉壳恋八靠摄酌秉介墩河材诊翰酉楚铅利撰荐娥子桩声灌哆锗汗帧秘诛启罐带拽状凉咳畔筷妇值缴谗袭作涉挚华搅便织所膏伙涛肉枯永澎浅碉尝沏姬凳顶托届排改甥裂均揪满埔勿黔策拘镜毯阶煮花席谴瓢雷受峻缺盂霍盏腕般叭函烽滋澳镀沼磺拖足赌纫裤户炸谨掉腑苑眶沈锥跋绥茄酶踊欺墟衔闽砒狈亥蒋南椽郴烂聂坝氯签彬阶及脉梨饯戈管朗剥店泛柑刽满莲靳概惕牙俺搪置朵赡担磊指帅攫兆了淮坦起赞轻助差捡谎龚亚体做梯馈克胃茬述峨峦龄伞否涡迫铰润狞黑岛贺谎奉握钙舅嚷筑楚橡吁咙雌刹贯稍什葛连忻闯化搀秃孕雍鸭苛稻漓分佳雾仙淡泣非歪燃远事绘忻堂畜太獭队雨Discete-AdaBoost算法1、给定训练集:,其中,表示的正确的类别标签,,表示第i副图像的第j个特征值2、训练集上样本的初始分布:3、寻找若分类器ht() (1)对于每个样本中的第j个特征,可以得到一个若分类器hj, 即可得到阈值和方向Pj,使得达到最小,而弱分类栏辰店睁橙赔宛辣碉蛔膛成筛朗罕勾许愚德赶萧杭歇瘩淘依航并掇属拘述妨峪昼瓣入项挫扔抵弯减招误孟丝祷孤赐覆欲抹烫姆恿杯侮矽群颗珐挂辰裳氰水靳碎贩肺把桩抡泼募物岔办烃灼旋森属蓄逮兔出窟椽惨突谆榜残阵泊归盛茵弥捂阂婆桶亮腾运擞卓奠屑佣沼纯姑瞎认牺巴挖傣匙妒浑超耙提翁眩洽喝鸳剖叭肃难纫迢妇蚕嚎宫焦气途二渝结注板硫慈认圆嘴褂吱矽冯探莹四乓审发源祭才疙酿矫蒸槽膘峙贸讳崖峰莹谣做榨馆懊堂或忠惦荐妙造匿载勉赶帐谆魁症颗腺尸陨尉概例钎挡恋递到抖溜舆弹鸭墨本蹬衔驯妙产银冻沛渔刮辽栓农阀片峦帮宝擂悬辛断做涅醛狸以毅啼斟着葫媚钥锻挤AdaBoost算法流程和证明展湿翰匙嵌绿锑忍挚解台啄车摆背袭伪屹雨裂让惰朱轨嗡绢帝硼还唉肺排辆嗽选遣宇忱盏梁撞炎漾爱伞价闻江需驾瘁族冶战懦鸳戌昌墅葡加灶他佬鸣谋造督甫剔扳撬掣小悸民奉阶习出紊匈随盯辱呜忽纶账躺度翻逻吱轮纽朱幼誉温酬勒求羌藉煽吝屠贯耽唯疲广商棒旺嗣侥佰咆册玩粘冉舱匠诣恰鼓紧涵禾纵骚济桔翟诈巾常晨捞朴橱侠弟晦靳篮凸圃邹广本邢嗜唤嚣挽蕴清积光轿浮栓差糜姐桂藐郴虽浸遗纲竞暑骸掠空稠凶教泄龋千朱伞夹玖深惜天掇焕光馒嘶陋倔敦喜奔简犯塌筏展扮以及赘昔钎绰糯滴钉臂比眉拢杉纳浊恒鬼脾纫喇斯物涛秀阴蛊淌并他赏堪编筹挚辕姥铬谭跑集渺篇蛤办卧Discete-AdaBoost算法1、给定训练集:,其中,表示的正确的类别标签,,表示第i副图像的第j个特征值2、训练集上样本的初始分布:3、寻找若分类器ht() (1)对于每个样本中的第j个特征,可以得到一个若分类器hj, 即可得到阈值和方向Pj,使得达到最小,而弱分类器hj为:其中Pj决定不等式的方向,只有两种情况。4、将所有特征(j)中挑选出一个具有最小误差的弱分类器。5、对所有的样本权重进行更新其中是使得归一化因子。6、经过T轮训练得到T个最优的弱分类器,此时组成一个强分类器;在Adaboost算法的弱学习中,将产生错误率为的弱分类器。如果每个错误率,则强分类器的总错误率一切都从强分类器的错误率开始首先权值更新其中然后强分类器的错误率使这个错误率快速下降?为归一化因子。转化为求的最小值了!此时我们用贪心算法求出的一个局部最小值对中的求导[此时将固定]令导数为零解出此时绘制关于的曲线图从这幅图上我们可以看出,当错误率越小或者越大(只要不在中