在Adaboost算法的基础上，提出了一种改进的Boosting方法来解决分类问题。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
此方法将示例的类标签预测为分类器集合的加权多数投票。
每个分类器是通过将给定的弱学习者应用于子样本（大小小于原始训练集的子样本）而获得的，该子样本是根据原始训练集上保持的概率分布从原始训练集中得出的。
在Adaboost中提出的重新加权方案中引入了一个参数，以更新分配给训练示例的概率，从而使算法比Adaboost愈加准确。
在UCI资料库中可获得的合成数据集和一些实际数据集上的实验结果表明，该方法提高了Adaboost的预测精度，执行速度以及对分类噪声的鲁棒性。
此外，通过kappa误差图研究了集成分类器的多样性准确性模式。
2016/5/11 17:46:49
688KB
1
从网站爬取口红销售数据，分析影响销售数据的重要因素以及根据销售因素建模预测其销售量。
本文先将数据进行预处理得到实验数据，然后着重分析朴素贝叶斯判别分析算法、AdaBoost算法以及随机森林算法在口红销量预测中的效果，并在随机森林算法中进行模型优化。
通过实验结果表明总评价数、价格和描述分这三个因素对销售量的影响较大，对三个算法对比分析得出随机森林算法预测错误率最低，有较好的预测效果。
本文先将数据进行预处理得到实验数据，然后着重分析朴素贝叶斯判别分析算法、AdaBoost算法以及随机森林算法在口红销量预测中的效果，并在随机森林算法中进行模型优化。
通过实验结果表明总评价数、价格和描述分这三个因素对销售量的影响较大，对三个算法对比分析得出随机森林算法预测错误率最低，有较好的预测效果。
2022/9/8 7:04:18
4.29MB
1
这个小工具用于在裁剪图像部分区域时记录坐标。
相信誉AdaBoost算法进行人脸检测的同志们一定对于一开始收集、裁剪物体样本的过程记忆犹新，那是一个纯体力活儿。
有了这个小工具，可以极大的加快进程。
不搞目标识别的同志们也可以来试试，很好玩的！用鼠标在图上圈定区域，按空格可记录坐标，按回车处理下一图。
相信誉AdaBoost算法进行人脸检测的同志们一定对于一开始收集、裁剪物体样本的过程记忆犹新，那是一个纯体力活儿。
有了这个小工具，可以极大的加快进程。
不搞目标识别的同志们也可以来试试，很好玩的！用鼠标在图上圈定区域，按空格可记录坐标，按回车处理下一图。
2022/9/5 11:53:22
1.01MB
1
人工智人-家居设计-基于AdaBoost算法的智能考勤系统研讨和实现.pdf
2021/11/20 11:57:24
7.74MB
1
基于Adaboost算法的公司财务预测模型数据及代码，在MatlabR2021b上运转通过
2018/7/25 3:30:45
13KB
1
基于Adaboost算法的公司财务预测模型数据及代码，在MatlabR2021b上运转通过
2021/8/7 16:38:12
13KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB