总第85篇
01|基本概念：
提升方法的基本思想：对于任何一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比任何一个专家单独的判断好。
先来看两个概念：强可学习和弱可学习。
在概率近似正确学习的框架中(简称PAC)，一个概念（类），如果存在一个多项式的学习算法能够学习它，并且正确率很高，那么就称这个概念是强可学习的；一个概念，如果存在一个多项式的学习算法能够学习它，学习的正确率仅比随机猜测略好，那么就称这个概念是弱可学习的。
弱可学习与强可学习之间是有一定的差距，如果已经发现弱可学习算法，那么能否将它提到强可学习算法，这里的如何提升就是提升方法需要解决的问题。最具代表性的就是AdaBoost算法。
对于分类问题而言，给定一个训练样本集，求比较粗糙的分类规则（弱分类器）要比求精确地分类规则（强分类器）容易的多。提升方法就是从弱学习算法，反复学习，得到一系列分类器（又称为基本分类器），然后组合这些弱分类器，构成一个强分类器。大多数的提升方法都是改变训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习一系列弱分类器。
这样，对于提升方法来说，有两个问题需要解决：一是在每一轮如何改变训练数据的权值或概率分布；二是如何将弱分类器组成一个强分类器。
对于第一个问题，AdaBoost的做法是，提高那些被前一轮弱分类器错分类样本的权值，而降低那些被正确分类样本的权值。这样一来，那些没有得到正确分类的数据，由于其权值加大而受到后一轮的弱分类器的更大关注。于是，分类问题被一系列的弱分类器“分而治之”。至于第二个问题，即弱分类器的组合，AdaBoost采取加权多数表决的方法。具体地，加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用，减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用。
02|AdaBoost算法：
假设给定一个二分类的训练数据集
其中，每个样本点由实例和标记组成。x是实例空间，y是标记集合。AdaBoost利用以下算法，从训练数据集中学习一系列弱分类器或基本分类器，并将这些弱分类器线性组合成一个强分类器。
算法步骤：
1.初始化训练数据的权值分布，让训练数据集中的每一个样本均等于1/N。
2.对m=1,2,...,M(m表示反复训练的次数)
(a)使用具有权值分布的 Dm的训练数据集学习，得到基本分类器
(b)计算Gm(x)在训练数据集上的分类误差率（误分类样本权值之和）
上式中
表示第m轮中第i个实例的权值。
(c)计算Gm(x)的系数
上式中的对数为自然对数，上式的结果是该分类器在最终分类器的所占的权重，即多项式的系数。
(d)更新训练数据集的权值分布
这里，是规范化因子
3.构建基本分类器线性组合
得到的最终分类器
03|前向分布算法：
考虑加法模型(每一轮迭代的分类函数的加和)
在给定训练数据及损失函数L(y,f(x))的条件下，学习加法模型f(x)成为经验风险极小化即损失函数最小化问题：
通常这是一个复杂的优化问题。前向分步算法求解这一优化问题的想法是：因学习的是加法模型，如果能够从前向后，每一步只学习一个基函数及其系数，逐步逼近优化目标函数，那么就可以简化优化的复杂度。具体地，每步只需要优化如下目标函数：
前向分步算法步骤：
04|前向分步算法与AdaBoost关系：
AdaBoost 算法可以认为是模型为加法模型、损失函数为指数函数、学习算法为前向分步算法的二类分类学习方法。
