问题标签 [adaboost]

众所周知，opencv traincascade 可以处理所有三种类型的特征 HAAR HOG 和 LBP 我已经研究了 HAAR 和 LBP 特征适应 AdaBoost 的洞察力，但我不了解 HOG 部分： 1. 程序如何处理 HOG 特征? 2. HOG 特征中的弱分类器是什么？hog 运算符或块、单元格、bin 信息？3. 谁能解释一下猪探测器的.xml 文件？<stages> <!-- stage 0 --> <_> <maxWeakCount>9</maxWeakCount> <stageThreshold>-1.8159391880035400e+000</stageThreshold> <weakClassifiers> <_> <internalNodes> 0 -1 206 1.9242146983742714e-002</internalNodes> <leafValues> -3.4242480993270874e-001 -8.9670753479003906e-001</leafValues></_> <_> <internalNodes> 0 -1 72 1.3402653858065605e-002</internalNodes> <leafValues> -7.8335583209991455e-001 4.7632049769163132e-002</leafValues></_> <_> <internalNodes> 0 -1 228 4.8146050423383713e-002</internalNodes> <leafValues> 1.7565745115280151e-001 -6.2845951318740845e-001</leafValues></_> <_> <internalNodes> 0 -1 97 1.4250885695219040e-002</internalNodes> <leafValues> -7.5739115476608276e-001 1.9031114876270294e-001</leafValues></_>

在 svm 上应用 adaboost 后，我​​想知道 adaboost 算法中使用的模型（它们的参数）。

我怎样才能找到 adaboost 中使用的模型。谢谢

我在 Scikit-learn 中使用 AdaBoostClassifier，无论训练集有多不平衡，平均概率总是 0.5。类预测 (predict_) 似乎给出了正确的估计，但这些并没有反映在 predict_probas 方法中，该方法总是平均为 0.5。

如果我的“真实”概率是 0.02，我如何转换标准化概率以反映该比例？

我在 Matlab 中实现了一种算法，用于测试检测修改图像的准确性。精度由 SVM 提供。但我的问题是如何选择具有 adaboost 的高特征，以降低计算复杂度。

详细地说，我有一个图像的特征向量（1xN），我不确定我是否可以在 adaboost 中使用类似的向量。我在 Matlab中fitensemble使用这个向量作为参数的函数X。我应该得到 D 维的新特征向量。我的问题是，如果我的数据输入中的观察是特征，那么我应该将行向量转换为列向量，还是我完全错了？numberens= 30,50,75,100'tree'

我在哪里可以找到新的特征向量，或者如何在结果模型中获得它，ens？

详情：“Boosting Feature Selection 可以用来选择最优的特征来降低计算复杂度。经过 D 次迭代，我们可以得到 D 维的新特征向量，然后将它们用于最终分类。” 我认为我的特征值可能是观察值，而我只有一列与该图像相关。Adaboost 应该返回一个维度为 D 的新特征向量。例如：如果我的初始特征向量 F 的长度是 256，在使用 30 次迭代的情况下，我应该得到一个大小为 30 的新特征向量吗？F 包含许多零和一些值，其中最大值可以等于 100000。

我是机器学习和 R 的新手。

我尝试使用 R 拟合一些模型，包括树、提升树、随机森林、ada 提升、支持向量机和逻辑回归。

就我而言，训练数据中发生罕见事件（第 1 类）的概率为 0.0075。

在树和增强树的训练中，我在模型中添加了一个权重参数，即权重类 0 和 1，类 1 和 sqrt(1/0.0075)。这是正确的方法吗？

我对随机森林有一些问题。我搜索了使用 sampsize 来处理这样的不平衡数据。

但是，我不太确定如何给每个班级适当的权重。

我看了这里，有一个降低不平衡率的建议。我该如何选择合适的？

另外，我不知道如何在 ada boosting 和逻辑回归中包含权重。

我的理解是，对于 Adaboost M1，损失函数 mean(-y*F) 总是严格递减的，但以下代码并非如此。任何人都可以帮忙吗？

我遵循 Hastie ESL-II 第 10.1 章的示例。底部的损失向量应该严格减少，但事实并非如此。

非常感谢您的帮助。

我正在使用来自 scikit-learn 的 AdaBoost，使用典型的 DecisionTree 弱学习器。我想根据数据大小 N 和弱学习者 T 的数量来了解运行时复杂性。我已经搜索了这些信息，包括 Yoav Freund 和 Robert Schapire 的一些原始 Adaboost 论文，但没有看到一个非常明确的答案.

我对在 hadoop 环境中实现 adaboost 算法很感兴趣。我研究过由于缺乏原生迭代支持，mapreduce 可能会很慢。Apache hama 是一个有趣的替代方案，但是 apache hama 是否有任何特性不允许有效地实现 adaboost？

我正在使用gbm包R并应用“bernoulli”选项进行分发以构建分类器，我得到“nan”的异常结果，我无法预测任何分类结果。但是当我使用“adaboost”时，我没有遇到同样的错误。下面是示例代码，我用 iris 数据集复制了相同的错误。

请让我知道是否有解决办法来解决这个问题。我使用它的原因是尝试加法逻辑回归，请建议 R 中是否有其他替代方法可以解决这个问题。

谢谢。

是否可以使用以下代码激活随机森林分类器、Ada Boost 分类器、额外树分类器的 python 代码，这些是 python scikit 学习方法：-

我只需要写一篇评论并且需要知道这些分类算法是如何工作的。