AdaBoost - 版本历史

2024年1月19日 (五) 11:28 Zeroclanzhang

2024-01-19T11:28:45Z

←上一版本		2024年1月19日 (五) 19:28的版本
第7行：		第7行：
	\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=~~[[Has english name::~~Boosting_AdaBoost]]		\|nodeenglishname=Boosting_AdaBoost
	\|abbreviation=~~[[Has abbreviation::~~AdaBoost]]		\|abbreviation=AdaBoost
	\|funcmaincategory=机器学习		\|funcmaincategory=机器学习
	\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]		\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]

Zeroclanzhang：撤销Zeroclanzhang（讨论）的版本5711

2024-01-19T10:18:54Z

撤销Zeroclanzhang（讨论）的版本5711

←上一版本		2024年1月19日 (五) 18:18的版本
第1行：		第1行：
	~~#Redirect~~ [[AdaBoost]]		{{Infobox nodebasic
			\|nodename=AdaBoost
			\|nodeimage=Boosting_AdaBoost.png
			\|icon=Boosting_AdaBoost.svg
			\|simpleicon=Boosting_AdaBoost_Pure.svg
			\|developer=Dev.Team-DPS
			\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
			\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
			\|nodeenglishname=[[Has english name::Boosting_AdaBoost]]
			\|abbreviation=[[Has abbreviation::AdaBoost]]
			\|funcmaincategory=机器学习
			\|funcsubcategory=[[DataML Lv1 Cat::分类训练器]]
			\|nodecategory=数据挖掘
			\|nodeinterpretor=Python
			\|nodeshortdescription=<p>AdaBoost（Adaptive Boosting）是一种集成学习算法，通过迭代地训练一系列的弱学习器（通常是决策树），并将它们组合成一个强大的预测模型。</p><p>与其他集成学习方法不同，AdaBoost通过调整样本权重来适应先前弱学习器的错误，从而提高整体模型的准确性。</p>
			\|nodeinputnumber=2
			\|nodeoutputnumber=3
			\|nodeloopsupport=否
			\|nodeifswitchsupport=否
			\|nodeavailableplotlist=nodenoplotoutput
			\|nodeavailabletablelist=Table_For_Downstream
			\|nodeconfiguration=VariableList;DropMenu;Text
			\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
			\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
			\|statsapewikiurl=https://wiki.statsape.com/AdaBoost
			\|previousnode=[[梯度提升树]]
			\|nextnode=[[XGBoost]]
			}}
			==算法概述==
			AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>

			==示例代码-AdaBoost分类节点==
			该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：
			<syntaxhighlight lang="Python">
			from sklearn.ensemble import AdaBoostClassifier
			from sklearn.datasets import make_classification
			X, y = make_classification(n_samples=1000, n_features=4,
			n_informative=2, n_redundant=0,
			random_state=0, shuffle=False)
			clf = AdaBoostClassifier(n_estimators=100, random_state=0)
			clf.fit(X, y)
			clf.predict([[0, 0, 0, 0]])
			clf.score(X, y)
			</syntaxhighlight>

			拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。

			=='''节点使用指南'''==
			* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
			* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
			===变量配置===
			* 选择特征变量：作为特征进行学习的变量（X），多选。
			* 选择目标变量：作为结局的二分类变量（y），单选。

			===参数配置===
			* 设置随机数：控制模型的随机性。
			* 基础估计器选择：构建增强整体的基本估计器。默认基本估计器用决策树分类估计器，初始化最大深度为1。
			** 决策树，
			** 支持向量机。
			* 估计器数量：默认为100。
			* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。
			** SAMME：离散增强算法。
			** SAMME.R：真实增强算法。
			* 学习率：在每次迭代时应用于每个分类器的权重。较高的学习率会增加每个分类器的贡献。

			===注意事项===
			* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
			* 节点不出图，
			* 导入该节点的数据端口为训练数据集，导入前注意转换。

			== 参考文献 ==
			{{reflist}}


			{{Navplate AlgorithmNodeList}}

			[[Category:分类训练器]]

Zeroclanzhang：重定向页面至AdaBoost

2024-01-19T10:09:01Z

重定向页面至AdaBoost

←上一版本		2024年1月19日 (五) 18:09的版本
第1行：		第1行：
	~~{{Infobox nodebasic~~		#Redirect [[AdaBoost]]
	~~\|nodename=AdaBoost~~
	~~\|nodeimage=Boosting_AdaBoost.png~~
	~~\|icon=Boosting_AdaBoost.svg~~
	~~\|simpleicon=Boosting_AdaBoost_Pure.svg~~
	~~\|developer=Dev.Team-DPS~~
	~~\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用~~
	~~\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署~~
	~~\|nodeenglishname=[[Has english name::Boosting_AdaBoost]]~~
	~~\|abbreviation=[[Has abbreviation::AdaBoost]]~~
	~~\|funcmaincategory=机器学习~~
	~~\|funcsubcategory=~~[[~~DataML Lv1 Cat::分类训练器]]~~
	~~\|nodecategory=数据挖掘~~
	~~\|nodeinterpretor=Python~~
	\|nodeshortdescription=<p>AdaBoost（Adaptive Boosting）是一种集成学习算法，通过迭代地训练一系列的弱学习器（通常是决策树），并将它们组合成一个强大的预测模型。</p><p>与其他集成学习方法不同，AdaBoost通过调整样本权重来适应先前弱学习器的错误，从而提高整体模型的准确性。</p>
	~~\|nodeinputnumber=2~~
	~~\|nodeoutputnumber=3~~
	~~\|nodeloopsupport=否~~
	~~\|nodeifswitchsupport=否~~
	~~\|nodeavailableplotlist=nodenoplotoutput~~
	~~\|nodeavailabletablelist=Table_For_Downstream~~
	~~\|nodeconfiguration=VariableList;DropMenu;Text~~
	~~\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■~~
	~~\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■~~
	~~\|statsapewikiurl=https://wiki.statsape.com/~~AdaBoost
	~~\|previousnode=[[梯度提升树]]~~
	~~\|nextnode=[[XGBoost]]~~
	}}
	~~==算法概述==~~
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>

	~~==示例代码-AdaBoost分类节点==~~
	该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：
	~~<syntaxhighlight lang="Python">~~
	~~from sklearn.ensemble import AdaBoostClassifier~~
	~~from sklearn.datasets import make_classification~~
	~~X, y = make_classification(n_samples=1000, n_features=4,~~
	~~n_informative=2, n_redundant=0,~~
	~~random_state=0, shuffle=False)~~
	~~clf = AdaBoostClassifier(n_estimators=100, random_state=0)~~
	~~clf.fit(X, y)~~
	~~clf.predict([[0, 0, 0, 0]])~~
	~~clf.score(X, y)~~
	~~</syntaxhighlight>~~

	~~拟合后，模型可以用于预测样本的类别，可以在[[通用预测模块]]实现内外部测试集的预测。~~

	~~=='''节点使用指南'''==~~
	* 最适用的场景：决策树可用于解决分类问题，其中目标是将数据分为不同的类别或预测数据的类别。
	* 处理的数据类型：结局变量为二分类，特征变量大多数为连续型的变量。
	~~===变量配置===~~
	* 选择特征变量：作为特征进行学习的变量（X），多选。
	* 选择目标变量：作为结局的二分类变量（y），单选。

	~~===参数配置===~~
	* 设置随机数：控制模型的随机性。
	* 基础估计器选择：构建增强整体的基本估计器。默认基本估计器用决策树分类估计器，初始化最大深度为1。
	** 决策树，
	** 支持向量机。
	* 估计器数量：默认为100。
	* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。
	** SAMME：离散增强算法。
	** SAMME.R：真实增强算法。
	* 学习率：在每次迭代时应用于每个分类器的权重。较高的学习率会增加每个分类器的贡献。

	~~===注意事项===~~
	* 不支持带空值运算，用[[多重插补]]或[[插补空值]]进行插补，
	* 节点不出图，
	* 导入该节点的数据端口为训练数据集，导入前注意转换。

	~~== 参考文献 ==~~
	~~{{reflist}}~~


	~~{{Navplate AlgorithmNodeList}}~~

	~~[[Category:分类训练器~~]]

2024年1月18日 (四) 09:43 Zeroclanzhang

2024-01-18T09:43:42Z

←上一版本		2024年1月18日 (四) 17:43的版本
第5行：		第5行：
	\|simpleicon=Boosting_AdaBoost_Pure.svg		\|simpleicon=Boosting_AdaBoost_Pure.svg
	\|developer=Dev.Team-DPS		\|developer=Dev.Team-DPS
	\|productionstate=~~PC可用~~		\|productionstate={{图标文件\|Win}} / {{图标文件\|W10}} Win10及以上可用
	\|productionstatedesc=在[[DecisionLinnc \| V1.0]]部署		\|productionstatedesc=在[[Update:DecisionLinnc 1.0.0.8\|V1.0]]部署
	\|nodeenglishname=[[Has english name::Boosting_AdaBoost]]		\|nodeenglishname=[[Has english name::Boosting_AdaBoost]]
	\|abbreviation=[[Has abbreviation::AdaBoost]]		\|abbreviation=[[Has abbreviation::AdaBoost]]
第20行：		第20行：
	\|nodeavailableplotlist=nodenoplotoutput		\|nodeavailableplotlist=nodenoplotoutput
	\|nodeavailabletablelist=Table_For_Downstream		\|nodeavailabletablelist=Table_For_Downstream
	\|nodeconfiguration=VariableList;~~DropManu~~;Text		\|nodeconfiguration=VariableList;DropMenu;Text
	\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■		\|nodeinputports=WorkFlow-Control ➤;Transfer-Table ■
	\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■		\|nodeoutputports=WorkFlow-Control ➤;Transfer-Model ▶;Transfer-Table ■
第27行：		第27行：
	\|nextnode=[[XGBoost]]		\|nextnode=[[XGBoost]]
	}}		}}

	==算法概述==		==算法概述==
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>
第72行：		第71行：
	== 参考文献 ==		== 参考文献 ==
	{{reflist}}		{{reflist}}


	{{Navplate AlgorithmNodeList}}		{{Navplate AlgorithmNodeList}}

	[[Category:分类训练器]]		[[Category:分类训练器]]

Wurong：/* 参数配置 */

2024-01-17T09:49:17Z

参数配置

←上一版本		2024年1月17日 (三) 17:49的版本
第59行：		第59行：
	** 决策树，		** 决策树，
	** 支持向量机。		** 支持向量机。
	* ~~估计器数量：默认为100.~~		* 估计器数量：默认为100。
	* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。		* Boosting算法选择：SAMME.R 算法通常比 SAMME 收敛得更快，从而通过更少的提升迭代实现更低的测试误差。
	** SAMME：离散增强算法。		** SAMME：离散增强算法。

Wurong：/* 示例代码-决策树分类节点 */

2024-01-17T09:43:15Z

示例代码-决策树分类节点

←上一版本		2024年1月17日 (三) 17:43的版本
第31行：		第31行：
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>

	==示例代码-~~决策树分类节点~~==		==示例代码-AdaBoost分类节点==
	该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：		该节点使用Python编写，调用scikit-learn包<ref>{{cite journal \|author=Kramer, Oliver \|title=Scikit-learn \|journal=Machine learning for evolution strategies \|pages=45--53 \|year=2016 \|publisher=Springer }}</ref>。以下为示例代码：
	<syntaxhighlight lang="Python">		<syntaxhighlight lang="Python">
	from sklearn import ~~tree~~		from sklearn.ensemble import AdaBoostClassifier
	X = ~~[[0~~, 0], ~~[1, 1]]~~		from sklearn.datasets import make_classification
	Y = [0, 1]		X, y = make_classification(n_samples=1000, n_features=4,
	clf = ~~tree~~.~~DecisionTreeClassifier~~()		n_informative=2, n_redundant=0,
	clf = clf.~~fit~~(X, Y)		random_state=0, shuffle=False)
			clf = AdaBoostClassifier(n_estimators=100, random_state=0)
			clf.fit(X, y)
			clf.predict([[0, 0, 0, 0]])
			clf.score(X, y)
	</syntaxhighlight>		</syntaxhighlight>

Wurong：/* 算法概述 */

2024-01-17T09:41:08Z

算法概述

←上一版本		2024年1月17日 (三) 17:41的版本
第29行：		第29行：

	==算法概述==		==算法概述==
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=[[Statistics and Its Interface]] \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=Statistics and Its Interface \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==

Wurong：/* 算法概述 */

2024-01-17T09:40:05Z

算法概述

←上一版本		2024年1月17日 (三) 17:40的版本
第29行：		第29行：

	==算法概述==		==算法概述==
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite ~~book~~ \|author1=~~Freund~~, ~~Yoav~~ \|author2=~~Schapire~~, ~~Robert E.~~ \|title=~~A Decision~~-~~Theoretic Generalization of On-Line Learning~~ and ~~an Application to Boosting~~ \|~~publisher~~=~~Springer Berlin Heidelberg~~ \|~~location~~=~~Berlin, Heidelberg~~ \|year=~~1995~~ \|pages=~~23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1~~}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite journal \|author1=Hastie, Trevor \|author2=Rosset, Saharon \|author3=Zhu, Ji \|author4=Zou, Hui \|title=Multi-class AdaBoost \|journal=[[Statistics and Its Interface]] \|volume=2 \|issue=3 \|year=2009 \|pages=349–360}}</ref>

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==

Wurong：/* 算法概述 */

2024-01-17T09:39:24Z

算法概述

←上一版本		2024年1月17日 (三) 17:39的版本
第29行：		第29行：

	==算法概述==		==算法概述==
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting ~~\|series=[[Lecture Notes in Computer Science]]~~ \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting ~~\|series=[[Lecture Notes in Computer Science]]~~ \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==

Wurong：/* 算法概述 */

2024-01-17T09:38:50Z

算法概述

←上一版本		2024年1月17日 (三) 17:38的版本
第29行：		第29行：

	==算法概述==		==算法概述==
	AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|series=[[Lecture Notes in Computer Science]] \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1 ~~\|retrieved=2022-06-24~~}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|series=[[Lecture Notes in Computer Science]] \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1 ~~\|retrieved=2022-06-24~~}}</ref>		AdaBoost是Adaptive Boosting的缩写，是Yoav Freund和Robert Schapire于1995年制定的一种统计分类元算法<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|series=[[Lecture Notes in Computer Science]] \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>，他们的工作获得了2003年哥德尔奖。它可以与许多其他类型的学习算法结合使用，以提高性能。其他学习算法（“基础估计器”）的输出被组合成表示增强分类器的最终输出的加权和。通常，AdaBoost是用于二进制分类的，尽管它可以推广到多个类上的有界区间。AdaBoost首先在原始数据集上拟合分类模型，然后在同一数据集上匹配分类模型的附加副本，但其中调整了错误分类实例的权重，使后续分类器更多地关注被错误分类的情况。<ref>{{cite book \|author1=Freund, Yoav \|author2=Schapire, Robert E. \|title=A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting \|series=[[Lecture Notes in Computer Science]] \|publisher=Springer Berlin Heidelberg \|location=Berlin, Heidelberg \|year=1995 \|pages=23–37 \|doi=10.1007/3-540-59119-2_166 \|isbn=978-3-540-59119-1}}</ref>

	==示例代码-决策树分类节点==		==示例代码-决策树分类节点==

AdaBoost - 版本历史

2024年1月19日 (五) 11:28 Zeroclanzhang

Zeroclanzhang：​撤销Zeroclanzhang（讨论）的版本5711

Zeroclanzhang：​重定向页面至AdaBoost

2024年1月18日 (四) 09:43 Zeroclanzhang

Wurong：​/* 参数配置 */

Wurong：​/* 示例代码-决策树分类节点 */

Wurong：​/* 算法概述 */

Wurong：​/* 算法概述 */

Wurong：​/* 算法概述 */

Wurong：​/* 算法概述 */

Zeroclanzhang：撤销Zeroclanzhang（讨论）的版本5711

Zeroclanzhang：重定向页面至AdaBoost

Wurong：/* 参数配置 */

Wurong：/* 示例代码-决策树分类节点 */

Wurong：/* 算法概述 */

Wurong：/* 算法概述 */

Wurong：/* 算法概述 */

Wurong：/* 算法概述 */