【模式识别】Boosting

Boosting简介

分类中通常使用将多个弱分类器组合成强分类器进行分类的方法，统称为集成分类方法（Ensemble Method）。比较简单的如在Boosting之前出现Bagging的方法，首先从从整体样本集合中抽样采取不同的训练集训练弱分类器，然后使用多个弱分类器进行voting，最终的结果是分类器投票的优胜结果。这种简单的voting策略通常难以有很好的效果。直到后来的Boosting方法问世，组合弱分类器的威力才被发挥出来。Boosting意为加强、提升，也就是说将弱分类器提升为强分类器。而我们常听到的AdaBoost是Boosting发展到后来最为代表性的一类。所谓AdaBoost，即Adaptive Boosting，是指弱分类器根据学习的结果反馈Adaptively调整假设的错误率，所以也不需要任何的先验知识就可以自主训练。Breiman在他的论文里赞扬AdaBoost是最好的off-the-shelf方法。

两类Discrete AdaBoos算法流程

AdaBoosting方法大致有：Discrete Adaboost, Real AdaBoost, LogitBoost, 和Gentle AdaBoost。所有的方法训练的框架的都是相似的。以Discrete Adaboost为例，其训练流程如下：

首先初始化每个样本相同的权重（步骤2）；之后使用加权的样本训练每个弱分类器 （步骤3.1）；分类后得到加权的训练错误率和比例因子 （步骤3.2）；将被错误分类的样本的权重加大，并将修改后的权重再次归一化（步骤3.3）；循环训练过程，最终使用比例因子 组合组合弱分类器构成最终的强分类器。
下面看一个更形象的图，多个弱分类器的组合过程和结果大致为：

 

训练的循环过程，加重被错误分类的样本的权重是一种有效的加速训练的方法。由于训练中正确率高的弱分类器权重较大，新一轮的训练中正确分类的样本会越来越多，权重较小的训练样本对在新一轮的训练中起作用较小，也就是，每一轮新的训练都着重训练被错误分类的样本。

实际训练中弱分类器是一样的，但弱分类器实际使用的训练数据不同，通常使用特征向量的每一维分别构成一个弱分类器。而后来大名鼎鼎的Haar+Adaboost人脸检测方法是使用每种Haar特征构成一个弱分类器，基于Block的Haar特征比简单的基于pixel的特征有带有更多的信息，通常能得到更好的检测效果，而积分图Integral的方法使其在计算速度上也有很大优势。有兴趣可参考《基于Adaboost和Haar-like特征人脸识别》。

Real AdaBoost和Gentle AdaBoost

Discrete Adaboost是最简单的两类Boosting分类结果，而后续的Real AdaBoost（也称为AdaBoost.MH）可以看做Discrete Adaboost的泛化形式，弱分类器可以输出多个分类结果,并输出这几个分类结果的可能性，可以看成每个弱分类器都更不“武断”。而Gentle AdaBoost则是修改了迭代训练过程中错误样本权重调整的方法，较少地强调难以分类的样本，从而避免了原本AdaBoost对”非典型”的正样本权值调整很高而导致了分类器的效率下降的情况。,而产生的变种算法。AdaBoost的Matlabe工具箱GML_AdaBoost_Matlab_Toolbox实现了Real AdaBoost, Gentle AdaBoost和Modest AdaBoost，且有个概况明了的介绍（工具箱的使用内部用手册，也可以参考下一篇《CART和GML AdaBoost Matlab Toolbox》）：

至于LogitAdaBoost我其实不太了解，具体可参考《OpenCV关于AdaBoost的一些说明》。

 

 

 

 

（转载请注明作者和出处：http://blog.csdn.net/xiaowei_cqu 未经允许请勿用于商业用途）