weixin_45720751的博客

AdaBoost算法： 步骤（1）：假设训练数据集具有均匀的权值分布,即每个训练样本在基本分类器的学习中作用相同,这一假设保证第1步能够在原始数据上学习基本分类器G1(x) 步骤（2）：AdaBoost反复学习基本分类器,在每一轮m=1,2…,M顺次地执行下列操作 (a)：使用当前分布Dm加权的训练数据集,学习基本分类器Gm(x) (b)：计算基本分类器Gm(x)在加权训练数据集上的分类误差率 ©：计算基本分类器Gm(x)的系数am (d)：更新训练数据的权值分布为下一轮作准备 步骤（3）：线性组合f(x)

决策树： 定义： 描述对实例进行分类的树型结构，决策树由结点和有向边组成，结点有两种类型：内部结点（表示一个特征或属性）和叶结点（一个类） 算法： 用决策树分类，从根节点开始，对实例的某一特征进行测试，根据测试结果，将实例分配到其子节点，这时，每一个子节点对于着该特征的一个取值，如此递归地对实例进行测试并分配，直至达到叶节点，最后将实例分到叶节点的类中。 条件概率分布： 假设X为表示特征的随机变量，Y为表示类的随机变量，那么这个条件概率分布可以表示为P（X|Y）。X取值于给定划分下单元的集合，Y取值于类的集