自适应提升算法

组件介绍

**“自适应提升算法”（AdaBoost）**是一种集成学习算法，将较弱的机器学习算法作为输入，可提升该算法的性能。可用于分类任务或回归任务。

AdaBoost是一种迭代算法，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率。每一个训练样本都被赋予一个权重，表明它在某个分类器选入训练集的概率。如果某个样本点已经被准确分类，那么在构造下一个训练集中，它被选中的概率就被降低；相反，如果某个样本点没有被准确分类，它的权重就会被提高。通过这种方式。AdaBoost能聚焦于那些较难分（更富信息）的样本上。

---

• 输入：
  • data：数据集
  • pre: 预处理方法
  • lrn: 机器学习算法
• 输出：
  • lrn: 在交互页面中配置参数后的AdaBoost学习算法
  • mod: 已训练的模型（仅当输入端data存在时，才会有输出信息）

---

页面介绍

点击**“自适应提升算法”（AdaBoost）**控件查看参数配置页面，如下图所示：

参数选项

选项	说明	取值范围	样例值
模型名称	设置模型名称，用于在其他组件中区分不同的模型	字符串	AdaBoost
参数	学习器数目 学习率：它决定了获得的新信息在多大程度上将覆盖旧信息（0=不学习任何东西，1=只考虑最新的信息） 固定随机数生成器的种子数：设置一个固定的种子，使重现结果	学习器数目：1100 学习率：0.000011 固定随机数生成器的种子数：1~100	学习器数目：50 学习率：0.01 固定随机数生成器的种子数：42
提升方法	分类算法：当输入 lrn 是分类算法时，该参数有效；选项包括 SAMME（用分类结果更新基础估计器的权重）和 SAMME.R（用概率估计来更新基础估计器的权重） 损失函数：当输入 lrn 是回归算法时，该参数有效，选项包括 Linear、Square 和 Exponential	分类算法：   SAMME   SAMME.R 损失函数：   Linear   Square   Exponential	分类算法：   SAMME 损失函数：   Linear

AdaBoostClassifier详细参数说明

AdaBoostRegressor详细参数说明

使用案例

在下图所示的案例中，使用**“加载文件”（File）控件加载数据集，连接“自适应提升算法”（AdaBoost）控件构建模型，之后把“加载文件”（File）控件以及“自适应提升算法”（AdaBoost）控件与“预测”（Predictions）**控件连接起来查看基于已经构建的 AdaBoost 模型对输入数据进行预测的结果。

案例中加载 iris 数据集，其余使用默认配置。案例中控件的配置以及执行结果如下图所示。