知识卡片
AdaBoost分类执行与ROC评估
分类阶段 adaClassify 接收待分类样本和训练好的弱分类器数组:先把样本转成矩阵并初始化累计估计 aggClassEst 为零,再遍历每个弱分类器,按其 dim、thresh、oper 调用 stumpClassify 得到该分类器的预测,乘以对应 alpha 后累加;最后取 sign(aggClassEst) 得到 ±1 的类别输出。这体现了训练时学每个弱分类器和权重、预测时加权投票的一致性。评估用 plotROC:按累计估计排序样本,从 (1,1) 出发,正样本上移、负样本右移,画出真正率对假正率的曲线,并计算曲线下面积 AUC。训练集用 horseColicTraining 训练、测试集用 horseColicTest 验证,示例中 10 个弱分类器的总误差为 16.0,用于观察算法是否收敛。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第9章 人脸识别中的机器学习 · 查看原书依据
def adaClassify(datToClass,classifierArr): # AdaBoost分类器 dataMatrix = mat(datToClass) m = shape(dataMatrix)[0] aggClassEst = mat(zeros((m,1)))
参考来源
- 位置:《机器学习算法原理与编程实践》第9章 人脸识别中的机器学习(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00031.html)
- 结论依据:原文给出 adaClassify 的加权投票代码、plotROC 的绘制逻辑以及训练集与测试集的误差输出,支撑对分类执行与 ROC 评估流程的概括。
- 原始内容:def adaClassify(datToClass,classifierArr): # AdaBoost分类器 dataMatrix = mat(datToClass) m = shape(dataMatrix)[0] aggClassEst = mat(zeros((m,1)))