AdaBoost算法有AdaBoost.M1和AdaBoost.M2两种算法，AdaBoost.M1是我们通常所说的DiscreteAdaBoost，而AdaBoost.M2是M1的泛化形式。
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,boosting的效果明显地统一地比bagging要好.当弱分类器算法使用C4.5时,boosting比bagging较好,但是没有前者明显。
后来又有学者提出了解决多标签问题的AdaBoost.MH和AdaBoost.MR算法,其中AdaBoost.MH算法的一种形式又被称为RealBoost算法---弱分类器输出一个可能度，该值的范围是整个R,和与之相应的权值调整，强分类器生成的AdaBoost算法。
Python实现该算法。
adabbost原理见博客http://blog.csdn.net/suipingsp/article/details/41722435
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,boosting的效果明显地统一地比bagging要好.当弱分类器算法使用C4.5时,boosting比bagging较好,但是没有前者明显。
后来又有学者提出了解决多标签问题的AdaBoost.MH和AdaBoost.MR算法,其中AdaBoost.MH算法的一种形式又被称为RealBoost算法---弱分类器输出一个可能度，该值的范围是整个R,和与之相应的权值调整，强分类器生成的AdaBoost算法。
Python实现该算法。
adabbost原理见博客http://blog.csdn.net/suipingsp/article/details/41722435
2025/6/12 10:39:13
72KB
opencv_createsamples.exe和opencv_haartraining.exe下载
2025/6/10 21:22:50
174KB
MachineLearningwithPython英文无水印原版pdfpdf所有页面使用FoxitReader、PDF-XChangeViewer、SumatraPDF和Firefox测试都可以打开本资源转载自网络，如有侵权，请联系上传者或csdn删除查看此书详细信息请在美国亚马逊官网搜索此书
2025/6/8 18:10:09
7.53MB
1.使用Python实现基本的决策树算法；
2.主要使用pandas的DataFrame实现；
3.为防止过度拟合，在小于20个记录时，直接选取记录中最多类别；
3.没有画决策树图
2.主要使用pandas的DataFrame实现；
3.为防止过度拟合，在小于20个记录时，直接选取记录中最多类别；
3.没有画决策树图
2025/6/8 7:10:33
2KB
IntermediatePython这本书具有如下几个优点：简单、易读、易译。
这些都不是重点，重点是：它是一本开脑洞的书。
无论你是Python初学者，还是Python高手，它显现给你的永远是Python里最美好的事物。
本书作者的行文方式有着科普作家的风范，--那就是能将晦涩难懂的技术用比较清晰简洁的方式进行呈现，深入浅出的风格在每个章节的讨论中都得到了体现：每个章节都非常精简，5分钟就能看完，用最简洁的例子精辟地展现了原理每个章节都会通过疑问，来引导读者主动思考答案每个章节都引导读者做延伸阅读，让有兴趣的读者能进一步举一反三每个章节都是独立的，你可以挑选任意的章节开始阅读，而不受影响
这些都不是重点，重点是：它是一本开脑洞的书。
无论你是Python初学者，还是Python高手，它显现给你的永远是Python里最美好的事物。
本书作者的行文方式有着科普作家的风范，--那就是能将晦涩难懂的技术用比较清晰简洁的方式进行呈现，深入浅出的风格在每个章节的讨论中都得到了体现：每个章节都非常精简，5分钟就能看完，用最简洁的例子精辟地展现了原理每个章节都会通过疑问，来引导读者主动思考答案每个章节都引导读者做延伸阅读，让有兴趣的读者能进一步举一反三每个章节都是独立的，你可以挑选任意的章节开始阅读，而不受影响
2025/6/8 5:57:04
17.23MB