在线坐标提升
机器学习
2008-10-28 v1
摘要
我们提出了一种新的在线提升算法,用于调整提升分类器的权重,该算法比以往的在线提升算法更接近Freund和Schapire的AdaBoost算法。我们还贡献了一种新的在线算法推导方法,将先前的在线提升工作联系起来。我们假设弱假设是预先选定的,在在线提升过程中仅更新其权重。更新规则通过最小化AdaBoost的损失函数(以增量形式看待)推导得出。方程表明优化计算代价高昂,但快速的在线近似是可行的。我们在合成数据集上比较了近似误差与批量AdaBoost,并在人脸数据集和MNIST数据集上比较了泛化误差。
引用
@article{arxiv.0810.4553,
title = {Online Coordinate Boosting},
author = {Raphael Pelossof and Michael Jones and Ilia Vovsha and Cynthia Rudin},
journal= {arXiv preprint arXiv:0810.4553},
year = {2008}
}
备注
9 pages, 4 figures