本文介绍了使用AdaBoost结合决策树（决策桩）在Matlab中实现二维数据分类的实验。实验生成了基于sine函数的样本数据，并通过AdaBoost迭代学习，每次增加一个决策桩来降低错误率。最终，多个弱分类器通过投票形成一个强分类器，展示了AdaBoost如何将简单分类器组合成复杂问题的有效解决方案。尽管单个决策桩性能有限，但经过AdaBoost整合后，分类效果显著提高。
经过前面对AdaBoost的总结，下面要基于Matlab实现AdaBoost-Stump进行二维平面数据点的分类的实验。
一. 实验原理
参看 http://blog.csdn.net/lg1259156776/article/details/46831191
<boosting：三个臭皮匠赛过诸葛亮，adaptive：逐步（级联）>
二. 实验方法
生成一个可以利用sine线进行分割的数据点样本，然后通过AdaBoost - decision stump对数据点进行学习，最后得出能够将数据点样本进行分类的分割线。如下图所示：
订阅专栏 解锁全文
扫一扫
203
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
