判决函数 G m ( x ) G_m(x) Gm(x)
基 本 形 式 : f M ( x ) = ∑ m = 1 M α m G m ( x ) 代 价 函 数 : L o s s ( y , f ( x ) ) = ∑ i N exp ( − y i f ( x i ) ) 基本形式: f_M(x)=\sum_{m=1}^{M}\alpha_mG_m(x) \\ 代价函数: Loss(y,f(x))=\sum_i^N\exp({-y_if(x_i)}) \\ 基本形式:fM(x)=m=1∑MαmGm(x)代价函数:Loss(y,f(x))=i∑Nexp(−yif(xi))
假定我们通过某种手段,通过m-1轮迭代计算得到 f m − 1 ( x ) f_{m-1}(x) fm−1(x)使得 L o s s ( x , f m − 1 ( x ) ) Loss(x,f_{m-1}(x)) Loss(x,fm−1(x))最小
现准备通过第m轮迭代计算使得 L o s s ( x , f m ( x ) ) Loss(x,f_{m}(x)) Loss(x,fm(x))最小的 f m ( x ) f_m(x) fm(x)
根据预测函数的基本形式可以得到如下递归形式:
f m ( x ) = f m − 1 ( x ) + α m G m ( x ) f_m(x)=f_{m-1}(x)+\alpha_mG_m(x) \\ fm(x)=fm−1(x)+αmGm(x)
从而得到如下损失函数形式
L o s s ( y , f m ( x ) ) = ∑ i N exp ( − y i f m ( x i ) ) = ∑ i N exp { − y i [ f m − 1 ( x i ) + α m G m ( x i ) ] } Loss(y,f_m(x))=\sum_i^N\exp({-y_if_m(x_i)})=\sum_i^N\exp\{
{-y_i[f_{m-1}(x_i)+\alpha_mG_m(x_i)]}\} \\ Loss(y,fm(x))=i∑Nexp(−yifm(xi))=i∑Nexp{
−yi[fm−1(xi)+αmGm(xi)]}
接下来的目标就是计算使得 L o s s ( y , f m ( x ) ) Loss(y,f_m(x)) Loss(y,fm(x))最小的 α m , G m ( x ) \alpha_m,G_m(x) αm,Gm(x)
( α m , G m ( x ) ) = arg min α m , G m ( x ) L o s s ( y , f m ( x ) ) (\alpha_m,G_m(x))=\mathop{\arg\min}\limits_{\alpha_m,G_m(x)}Loss(y,f_m(x)) (αm,Gm(x))=αm,Gm(x)argminLoss(y,fm(x))
即
( α m , G m ( x ) ) = arg min α m , G m ( x ) ∑ i N exp { − y i [ f m − 1 ( x i ) + α m G m ( x i ) ] } (1) (\alpha_m,G_m(x))=\mathop{\arg\min}\limits_{\alpha_m,G_m(x)}\sum_i^N\exp\{
{-y_i[f_{m-1}(x_i)+\alpha_mG_m(x_i)]}\}\tag{1} (αm,Gm(x))=αm,Gm(x)arg