利用QuadBoost的集成高效学习
机器学习
2015-11-23 v5
摘要
我们首先提出了一个通用的集成风险界，其依赖于可从连续集中选取的投票者加权组合的 Lp 范数。随后我们提出了一种称为 QuadBoost 的提升（boosting）方法，该方法得到上述通用风险界的强力支持，并且具有非常简单的投票者权重分配规则。此外，QuadBoost 的经验误差下降速率比 AdaBoost 所实现的略快。实验结果证实了理论预期，即 QuadBoost 是一种非常高效的集成学习方法。
引用
@article{arxiv.1506.02535,
title = {Efficient Learning of Ensembles with QuadBoost},
author = {Louis Fortier-Dubois and François Laviolette and Mario Marchand and Louis-Emile Robitaille and Jean-Francis Roy},
journal= {arXiv preprint arXiv:1506.02535},
year = {2015}
}
备注
9 pages