本文主要是介绍adaboost mh matlab,adaboost、adaboost.m1、adaboost.m2简介，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
集成学习常见的两种集成方案为bagging和boosting，其中bagging是一种基于投票的并行方案，boosting是一种基于改变原始数据集分布的迭代串行方案(某些环节也可并行)。bagging的代表算法为随机森林，boosting的代表算法有adaboost、gbdt、xgb等。
bagging方案图：从训练集从进行子抽样组成每个基模型所需要的子训练集，对所有基模型预测的结果进行综合产生最终的预测结果
boosting方案图：训练过程为阶梯状，基模型按次序一一进行训练(实现上可以做到并行)，基模型的训练集按照某种策略每次都进行一定的转化。对所有基模型预测的结果进行线性综合产生最终的预测结果：
AdaBoost算法有AdaBoost.M1和AdaBoost.M2两种算法，AdaBoost.M1是我们通常所说的Discrete AdaBoost，而AdaBoost.M2是M1的泛化形式。adaboost是由Yoav Freund和Robert E. Schapire 首先提出来的一种用于二分类问题的集成方法；紧接着出现的Adaboost.M1将二分类扩展到多分类问题；而AdaBoost.M2不仅可以处理多分类问题，还引入了置信度的概念，进一步扩展了AdaBoost算法；AdaBoostMH算法则是基于AdaBoost.M1算法的一种标签转化方案的多标签算法。关于AdaBoost算法的一个结论是:当弱分类器算法使用简单的分类方法时,boostin
这篇关于adaboost mh matlab,adaboost、adaboost.m1、adaboost.m2简介的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
