阿达布思萨米

多类AdaBoost。Boosting是解决二类分类问题的一种非常成功的技术。在从二类分类到多类分类的过程中,大多数算法都局限于将多类分类问题归结为多个两类问题。我们发展了一个新的算法,直接将AdaBoost算法扩展到多类情况,而不必将其简化为多个两类问题。我们证明了所提出的多类AdaBoost算法等价于一种前向阶段加法建模算法,该算法可以使多类分类的指数损失最小化。此外,我们还证明了指数损失是一类Fisher一致损失函数的一个成员。如本文所示,新算法非常容易实现,并且在误分类错误率方面具有很强的竞争力。


zbMATH中的参考文献(参考文献第二十三条)

显示第1到第20个结果,共23个。
按年份排序(引用)
  1. 卡里佐萨,埃米利奥;克里斯蒂娜,莫莱罗;Romero Morales,Dolores:分类和回归树中的数学优化(2021)
  2. 杨毅;郭玉轩;张向玉:基于角度的成本敏感多类别分类(2021)
  3. Bauvin,巴普蒂斯特;卡波尼干酪;罗伊,让·弗朗西斯;Laviolette,François:快速贪婪(\mathcalC)边界的保证最小化(2020)
  4. 韩,善宇;金贤雄;李容石:双随机森林(2020)
  5. 阿拉夫金,亚历山大雷。;肉芽肿,朱利奥;Pillenetto,Gianluigi:作为基于内核的方法的提升(2019)
  6. Blachnik,Marcin:实例选择方法的集合:比较研究(2019)
  7. 德罗塔,彼得;加兹达,马特伊;Vokorokos,Liberios:使用选举方法和ranker聚类的集成特征选择(2019)
  8. 安大略州特拉恩;孙静;弗兰,约翰M。;帕加尔提瓦提,克里希南五世。;罗伯特J。;王燕:pBO-2GP-3B:一个具有可行性分类的批并行已知/未知约束贝叶斯优化及其在计算流体力学中的应用(2019)
  9. 拉瓦杜赫,瓦斯菲A。;Dalalah,Doraid:风险和不确定性下的预测决策:支持向量机模型(2017)
  10. 李真;吴伟:基于统计学习的加密图像可逆数据隐藏(2016)
  11. 尼科夫,伙计;刘俊。;蔡天喜:一类Fisher一致损失函数的刻画及其在boosting中的应用(2016)
  12. Geist,Matthieu:软最大提升(2015)
  13. 陈玉川;哈,玄宗;金贤雄;安红石:典型森林(2014)
  14. 安东尼奥·费尔南德斯·巴尔德拉;Baumela,Luis:非对称二元弱势学习者的多班提升(2014)
  15. 聂庆丰;金立硕;Fei,Shumin:基于adaboost的多类分类概率估计(2014)
  16. 张志华;陈,程;戴、光;李武军;Yaung,Dit Yan:多类别大利润分类方法:铰链损失与相干函数(2014)
  17. 埃斯特班·阿尔法罗;马蒂亚斯·加梅兹;Noelia García:adabag:R包装分类与提升和装袋(2013)不是zbMATH
  18. 冈萨雷斯·鲁菲诺,E。;卡里翁,P。;塞纳达斯,E。;费尔南德斯·德尔加多,M。;Domínguez-Petit,R.:鱼类卵巢组织学图像中区分细胞类别的颜色纹理特征和分类方法的详尽比较(2013)ioport公司
  19. 戈什,阿尼尔·K。;Godtliebsen,Fred:基于模型辅助后验估计的混合分类(2012)
  20. 诺克,理查德;皮罗,保罗;尼尔森,弗兰克;阿里,瓦法贝尔哈吉;巴劳德,米歇尔:Boosting(k)-NN用于自然场景分类(2012)