Adaboost算法实现一

对前四次迭代分析

训练数据

实验样本：30个

   43.8744   84.0717         1

   38.1558   25.4282         2

   76.5517   81.4285         1

   79.5200   24.3525         2

   18.6873   92.9264         1

   48.9764   34.9984         2

   44.5586   19.6595         2

   64.6313   25.1084         2

   70.9365   61.6045         2

   75.4687   47.3289         2

   27.6025   35.1660         1

   67.9703   83.0829         1

   65.5098   58.5264         2

   16.2612   54.9724         1

   11.8998   91.7194         1

   49.8364   28.5839         2

   95.9744   75.7200         2

   34.0386   75.3729         1

   58.5268   38.0446         2

   22.3812   56.7822         1

   75.1267    7.5854         2

   25.5095    5.3950         2

   50.5957   53.0798         1

   69.9077   77.9167         1

   89.0903   93.4011         1

   95.9291   12.9906         2

   54.7216   56.8824         1

   13.8624   46.9391         1

   14.9294    1.1902         2

   25.7508   33.7123         1

 

第一次循环

adaboost_model.parameters{1}

ans =

 

   min_error: 0.2000

    min_error_thr: 31.1481

          pos_neg: 'neg'

              dim: 2

                            mm:10

 

 [L,hits,error_rate] = threshold_te(adaboost_model.parameters{turn},...

        tr_set,samples_weight,tr_labels)

L =

     1     0

     0     1

     1     0

     0     1

     1     0

     1     0

     0     1

     0     1

     1     0

     1     0

     1     0

     1     0

     1     0

     1     0

     1     0

     0     1

     1     0

     1