没有合适的资源?快使用搜索试试~ 我知道了~
adaboost进行病马死亡率预测
需积分: 13 0 下载量 102 浏览量
2022-10-18
19:59:50
上传
评论
收藏 43KB DOCX 举报
温馨提示
试读
7页
adaboost进行病马死亡率预测
资源详情
资源评论
资源推荐
adaboost 进行病马死亡率预测
1 实验介绍
1.1 实验内容
本实验主要内容是利用机器学习中的 adaboost 算法对 UCI 马疝病数据集进行病马死亡
率预测,并分析
1.2 实验目的
� 理解 Adaboost 的原理、过程及模型搭建。
� 掌握利用 adaboost 算法构建预测模型,并能够成功的实现预测。
1.3 实验原理
总体思路:本次实验要根据 adaboost 的基本原理手动实现一个 Adaboost 算法对马疝病
数据集进行病马死亡率预测。
详细原理: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,其中 N-1 个是以前训练好的,其各种参数都不再改变,本次
训练第 N 个分类器。其中弱分类器的关系是第 N 个弱分类器更可能分对前 N-1 个弱分类器
没分对的数据,最终分类输出要看这 N 个分类器的综合效果。除此之外,Adaboost 算法一
般使用单层决策树作为其弱分类器。Adaboost 算法第 i 轮迭代要做这么几件事:
1.新增弱分类器 WeakClassifier(i)与弱分类器权重 alpha(i)
2.通过数据集 data 与数据权重 W(i)训练弱分类器 WeakClassifier(i),并得出其分类错误
率,以此计算出其弱分类器权重 alpha(i)
3.通过加权投票表决的方法,让所有弱分类器进行加权投票表决的方法得到最终预测输
出,计算最终分类错误率,如果最终错误率低于设定阈值(比如 5%),那么迭代结束;如
果最终错误率高于设定阈值,那么更新数据权重得到 W(i+1)
1.4 实验准备
环境准备:python3.8;jupyter notebook。
数据准备:提供马疝病数据集文件;数据概况做介绍。
资料准备:准备查阅的参考文献、相关知识书籍和网站、特别是 abaoost 算法理解比较特别
的一些文献。
joeqiao_
- 粉丝: 0
- 资源: 1
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0