亚伯拉罕·怀纳。;马修·奥尔森;贾斯汀·布利奇;大卫·米斯 解释AdaBoost和随机森林作为插值分类器的成功之处。 （英语） 兹比尔1433.68384 J.马赫。学习。物件。 18（2017-2018），第48号论文，33页（2017）. 摘要：有大量文献解释为什么AdaBoost是一个成功的分类器。关于AdaBoost的文献主要关注分类器边界和boosting作为指数似然函数优化的解释。然而，这些现有的解释被指出是不完整的。随机森林是另一种流行的集合方法，文献中对此的解释很少。我们引入了一个关于AdaBoost和随机森林的新观点，认为这两种算法的工作原理类似。虽然这两种分类器都达到了相似的预测精度，但不能将随机森林视为直接的优化过程。相反，随机森林是一种自平均插值算法，它创建了我们所说的“尖峰平滑”分类器，我们也从同样的角度看待AdaBoost。我们推测AdaBoost和随机森林都是因为这种机制而成功的。我们提供了一些示例来支持这种解释。在这个过程中，我们质疑传统观点，即分类的boosting算法需要正则化或提前停止，并且应该局限于低复杂度的学习者类，例如决策树桩。我们的结论是，增强应该像随机森林一样使用：使用大型决策树，而不需要进行规范化或提前停止。 引用于9文件 理学硕士： 68T05型 人工智能中的学习和自适应系统 62小时30分 分类和区分；聚类分析（统计方面） 68吨10 模式识别、语音识别 关键词：AdaBoost公司;随机森林;树木合奏;过盈;分类 PDF格式BibTeX公司 XML格式引用 \textit{A.J.Wyner}等人，J.Mach。学习。第18号决议，第48号论文，33页（2017年；Zbl 1433.68384） 全文： arXiv公司 链接