AdaBoost

AdaBoost (сокращение от англ. adaptive boosting) — алгоритм машинного обучения, предложенный Йоавом Фройндом^[англ.] и Робертом Шапире^[англ.]. Может использоваться в сочетании с несколькими алгоритмами классификации для улучшения их эффективности. Алгоритм усиливает классификаторы, объединяя их в ансамбль. Является адаптивным в том смысле, что каждый следующий ансамбль классификаторов строится по объектам, неверно классифицированным предыдущими комитетами. AdaBoost чувствителен к шуму в данных и выбросам. Однако он менее подвержен переобучению по сравнению с другими алгоритмами машинного обучения.

AdaBoost вызывает слабые классификаторы в цикле t = 1 , … , T {\displaystyle t=1,\ldots ,T} . После каждого вызова обновляется распределение весов D t {\displaystyle D_{t}} , которые отвечают важности каждого из объектов обучающего множества для классификации. На каждой итерации веса каждого неверно классифицированного объекта возрастают, таким образом новый комитет классификаторов «фокусирует своё внимание» на этих объектах.

Дано: ( x 1 , y 1 ) , … , ( x m , y m ) {\displaystyle (x_{1},y_{1}),\ldots ,(x_{m},y_{m})} где x i ∈ X , y i ∈ Y = { − 1 , + 1 } {\displaystyle x_{i}\in X,\,y_{i}\in Y=\{-1,+1\}}

Инициализируем D 1 ( i ) = 1 m , i = 1 , … , m . {\displaystyle D_{1}(i)={\frac {1}{m}},i=1,\ldots ,m.}

Для каждого t = 1 , … , T {\displaystyle t=1,\ldots ,T} :

• Находим классификатор h t : X → { − 1 , + 1 } {\displaystyle h_{t}:X\to \{-1,+1\}} который минимизирует взвешенную ошибку классификации: h t = arg ⁡ min h j ∈ H ϵ j {\displaystyle h_{t}=\arg \min _{h_{j}\in {\mathcal {H}}}\epsilon _{j}} , где ϵ j = ∑ i = 1 m D t ( i ) [ y i ≠ h j ( x i ) ] {\displaystyle \epsilon _{j}=\sum _{i=1}^{m}D_{t}(i)[y_{i}\neq h_{j}(x_{i})]}
• Если величина ϵ t ⩾ 0.5 {\displaystyle \epsilon _{t}\geqslant 0.5} , то останавливаемся.
• Выбираем α t ∈ R {\displaystyle \alpha _{t}\in \mathbf {R} } , обычно α t = 1 2 ln 1 − ϵ t ϵ t {\displaystyle \alpha _{t}={\frac {1}{2}}{\textrm {ln}}{\frac {1-\epsilon _{t}}{\epsilon _{t}}}} где ϵ t {\displaystyle \epsilon _{t}} взвешенная ошибка классификатора h t {\displaystyle h_{t}} .
• Обновляем:

D t + 1 ( i ) = D t ( i ) e − α t y i h t ( x i ) Z t {\displaystyle D_{t+1}(i)={\frac {D_{t}(i)\,e^{-\alpha _{t}y_{i}h_{t}(x_{i})}}{Z_{t}}}}

где Z t {\displaystyle Z_{t}} является нормализующим параметром (выбранным так, чтобы D t + 1 {\displaystyle D_{t+1}} являлось распределением вероятностей, то есть ∑ i = 1 m D t + 1 ( i ) = 1 {\displaystyle \sum _{i=1}^{m}D_{t+1}(i)=1} ).

Строим результирующий классификатор:

H ( x ) = sign ( ∑ t = 1 T α t h t ( x ) ) {\displaystyle H(x)={\textrm {sign}}\left(\sum _{t=1}^{T}\alpha _{t}h_{t}(x)\right)}

Выражение для обновления распределения D t {\displaystyle D_{t}} должно быть сконструировано таким образом, чтобы выполнялось условие:

e − α t y i h t ( x i ) { < 1 , y ( i ) = h t ( x i ) > 1 , y ( i ) ≠ h t ( x i ) {\displaystyle e^{-\alpha _{t}y_{i}h_{t}(x_{i})}{\begin{cases}<1,&y(i)=h_{t}(x_{i})\\>1,&y(i)\neq h_{t}(x_{i})\end{cases}}}

Таким образом, после выбора оптимального классификатора h t {\displaystyle h_{t}} для распределения D t {\displaystyle D_{t}} , объекты x i {\displaystyle x_{i}} , которые классификатор h t {\displaystyle h_{t}} идентифицирует корректно, имеют веса меньшие, чем те, которые идентифицируются некорректно. Следовательно, когда алгоритм тестирует классификаторы на распределении D t + 1 {\displaystyle D_{t+1}} , он будет выбирать классификатор, который лучше идентифицирует объекты неверно распознаваемые предыдущим классификатором.

• AdaBoost (англ.) Презентация, посвящённая Adaboost.
• A Short Introduction to Boosting (англ.) Введение в Adaboost, Freund и Schapire, 1999
• A decision-theoretic generalization of on-line learning and an application to boosting Journal of Computer and System Sciences, no. 55. 1997 (англ.) (Оригинальная работа Yoav Freund и Robert E.Schapire, где впервые был предложен Adaboost.)
• An applet demonstrating AdaBoost (англ.)
• Ensemble Based Systems in Decision Making, R. Polikar, IEEE Circuits and Systems Magazine, vol.6, no.3, pp. 21-45, 2006 (недоступная ссылка) (англ.) Учебник, дающий общее представление об AdaBoost, включая псевдокод, схемы алгоритмов, вопросы реализации и других алгоритмах распознавания образов.
• A Matlab Implementation of AdaBoost (англ.)
• Additive logistic regression: a statistical view of boosting. Jerome Friedman, Trevor Hastie, Robert Tibshirani (англ.) Обсуждаются вероятностные аспекты AdaBoost, описывается GentleBoost.
• Boosting — Усиление простых классификаторов. Александр Вежневец, Владимир Вежневец. Компьютерная графика и мультимедиа. Выпуск № 2(12)/2006.

У этой статьи есть 3 проблемы, помогите их исправить:

Достоверность этой статьи поставлена под сомнение.

Необходимо проверить точность фактов и достоверность сведений, изложенных в этой статье. (13 ноября 2010)

В статье есть список источников, но не хватает сносок.

Без сносок сложно определить, из какого источника взято каждое отдельное утверждение. Вы можете улучшить статью, проставив сноски на источники, подтверждающие информацию. Сведения без сносок могут быть удалены. (13 ноября 2010)

Стиль этой статьи неэнциклопедичен или нарушает нормы литературного русского языка.

Статью следует исправить согласно стилистическим правилам Википедии. (2 февраля 2023)

Пожалуйста, после исправления проблемы удалите соответствующий шаблон. Узнать, как это сделать, можно на справочной странице.