概率性提升、决策树与玻树的理论
机器学习
2007-05-23 v1
摘要
我们提出一种概率性分类器提升的理论。我们处于只有停止参数和概率性弱学习器/分类器的使用者情境中，比较三种提升算法：概率性 AdaBoost、决策树和树的树的树...的树（我们称为玻树）。'嵌套树'、'嵌入树'和'递归树'也是这种算法的合适名称，这是我们的贡献之一。我们的另一项贡献是对这些算法的理论分析，其中给出训练误差界。此分析表明，玻树比简单决策树更有效地利用概率性弱分类器。
引用
@article{arxiv.cs/0607110,
title = {A Theory of Probabilistic Boosting, Decision Trees and Matryoshki},
author = {Etienne Grossmann},
journal= {arXiv preprint arXiv:cs/0607110},
year = {2007}
}