基于MATLAB的adaboost算法实例 简单易懂

clc,clear all; %% 训练样本数据 xData=[1 5;2 2;3 1;4 6;6 8;6 5;7 9;8 7;9 8;10 2] %样本数据点，对应编号为1,2,...10 Y=[1 1 -1 -1 1 -1 1 1 -1 -1]'; %对应的样本类别，用1和-1表示 xNum=1:10; %编号 format rat %% 绘制样本分布图 L1=find(Y==1); x=xData(L1,1);y=xData(L1,2); plot(x,y,'b+','LineWidth',3,'MarkerSize',12); hold on; L2=find(Y==-1); x=xData(L2,1);y=xData(L2,2); plot(x,y,'ro','LineWidth',3,'MarkerSize',12); xlabel('X1');ylabel('X2');axis([0 10 0 10]) %% ***********************************初试过程************************************ H1=zeros(10,1);H2=H1;H3=H1 for i=1:10 X=xData(i,:); H1(i) = wcH1( X,2.5 );%弱分类器h1 H2(i) = wcH2( X,8.5 );%弱分类器h2 H3(i) = wcH3( X,6.5 );%弱分类器h3 end errDataH1=find(H1~=Y);%找到被h1错分的样本点的序号 errDataH2=find(H2~=Y);%找到被h2错分的样本点的序号 errDataH3=find(H3~=Y);%找到被h3错分的样本点的序号 accDataH1=find(H1==Y);%找到被h1正确分的样本点的序号 accDataH2=find(H2==Y);%找到被h2正确分的样本点的序号 accDataH3=find(H3==Y);%找到被h3正确分的样本点的序号 errDataAll=[errDataH1,errDataH2,errDataH3]; accDataAll=[accDataH1,accDataH2,accDataH3]; N=10; D1=zeros(10,1)+1/N % 初始化权值分布 %% ***********************************第一次迭代*********************************** err1=sum(D1(errDataH1,:));%所有被错分类的样本点的权值之和即为误差率 err2=sum(D1(errDataH2,:));%所有被错分类的样本点的权值之和即为误差率 err3=sum(D1(errDataH3,:));%所有被错分类的样本点的权值之和即为误差率 errAll=[err1,err2,err3]; [minErr,minIndex]=min(errAll); %根据误差率e1计算H1的系数： a1=0.5*log((1-minErr)/minErr) minErrData=errDataAll(:,minIndex); minAccData=accDataAll(:,minIndex); D2=D1; for i=minAccData' D2(i)=D2(i)/(2*(1-minErr)); end for i=minErrData' D2(i)=D2(i)/(2*minErr); end D2 %分类函数 f1=a1.*H1; kindFinal=sign(f1)%此时强分类器的分类结果 %% ***********************************第二次迭代*********************************** err1=sum(D2(errDataH1,:));%所有被错分类的样本点的权值之和即为误差率 err2=sum(D2(errDataH2,:));%所有被错分类的样本点的权值之和即为误差率 err3=sum(D2(errDataH3,:));%所有被错分类的样本点的权值之和即为误差率 errAll=[err1,err2,err3]; [minErr,minIndex]=min(errAll); % 根据误差率e2计算H2的系数： a2=0.5*log((1-minErr)/minErr) minErrData=errDataAll(:,minIndex); minAccData=accDataAll(:,minIndex); D3=D2; for i=minAccData' D3(i)=D3(i)/(2*(1-minErr)); end for i=minErrData' D3(i)=D3(i)/(2*minErr); end D3 % 分类函数 f2=a1.*H1+a2*H2; kindFinal=sign(f2)%此时强分类器的分类结果 %% ***********************************第三次迭代*********************************** err1=sum(D3(errDataH1,:));%所有被错分类的样本点的权值之和即为误差率 err2=sum(D3(errDataH2,:));%所有被错分类的样本点的权值之和即为误差率 err3=sum(D3(errDataH3,:));%所有被错分类的样本点的权值之和即为误差率 errAll=[err1,err2,err3]; [minErr,minIndex]=min(errAll); % 根据误差率e3计算G3的系数： a3=0.5*log((1-minErr)/minErr) minErrData=errDataAll(:,minIndex); minAccData=accDataAll(:,minIndex); D4=D3; for i=minAccData' D4(i)=D4(i)/(2*(1-minErr)); end for i=minErrData' D4(i)=D4(i)/(2*minErr); end D4 % 分类函数 f3=a1.*H1+a2*H2+a3*H3; kindFinal=sign(f3)%此时强分类器的分类结果 %%