从弱学习器中为 Adaboost 构建强分类器并使用它来预测数据

Question

我试图了解Adaboost 的工作原理。我知道它的基本思想。我已经阅读了很多关于它的解释，但我不明白如何从弱分类器构建强分类器。

我相信构建它的公式类似于：

c += sign(alpha(i)*h(i)). 

我知道 alpha 是“i”类的权重。但是 sign 和 h 代表什么？当'sign'和'h'变成-1和+1？以及如何使用强分类器预测新数据的类别？

我已经阅读了Combining Weak Learners into a Strong Classifier，但我仍然没有得到什么时候 h 或 sign 变为 -1 或 1 并用它来预测新数据的类别。

如果这些问题太基本而无法被问到并且被问了太多次，我很抱歉。我已经寻找了很多答案，但不幸的是它们对我的帮助不够。

Answer 1

这里有一个更精确的公式：

H代表最终的强分类器，它的值等于弱分类器加权和的信号。所以这个公式是针对二分类问题的，也就是二分类问题。 alpha_t 是分类器 t 的权重，h_t(x) 是对示例 x 的弱分类器 t 的评估。

更直接地回答您的问题：

但是 sign 和 h 代表什么？

sign(x) 是一个返回 x 的信号（+1 或 -1）的函数。 h 是一个弱分类器。

什么时候'sign'和'h'变成-1和+1？

该公式适用于二分类问题，即 -1 类或 +1 类。 h 只返回这两个值之一。

以及如何使用强分类器预测新数据的类别？

强分类器会根据sign()内部表达式的信号判断为-1或+1

如果您仍有疑问，请查看this 教程。