adaboost进行病马死亡率预测
需积分: 13 102 浏览量
2022-10-18
19:59:50
上传
评论
收藏 43KB DOCX 举报
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。
评论0