これらのキーワードがハイライトされています：EMアルゴリズム EM
バギングとならぶ代表的なアンサンブル学習の手法で，クラス分類問題を扱う．
弱学習器は，各事例を重み付けして学習できるものでなくてはならない．
アルゴリズム AdaBoost
- D_t(\mathbf{x}_i) を均一に初期化．
- 以下の手続きを t=1,2,\ldots,T について反復
- 現在の誤分類率分布 D_t(\mathbf{x}_i) の重み付けを用いて，弱学習器に分類器 C_t(x) を生成させる．
- 誤分類率分布 D_t(\mathbf{x}_i) で重み付けした，データ集合 \{\mathbf{x}_i\} に対する誤分類率を \epsilon_t とする．
\beta_t=\epsilon_t/(1-\epsilon_t)
- 誤分類分布を更新：事例 \mathbf{x}_i\in\{\mathbf{x}_i\} をC_tが誤分類したならば，D_{t+1}(\mathbf{x}_i)=\beta_t D_t(\mathbf{x}_i)，そうでなければ，D_{t+1}(\mathbf{x}_i)=D_t(\mathbf{x}_i)．
最後に D_{t+1}(\mathbf{x}_i) を正規化．
- 最終分類器は C_1,\ldots,C_T がそれぞれ，\log\frac{1}{\beta_t}で重み付けした投票で行う．
- 誤分類率に応じて(adaptive)重みを変えるブースティングなので，AdaBoostという．
- 上記のものは厳密には AdaBoost.M1 で，他にも幾つかのバリエーションがある．
- \gamma_t=\frac{1}{2}-\epsilon_t とすると，最終分類器の誤分類率の上界は
\prod_t^T \sqrt{1-4\gamma_t^2}\le\exp[-2\sum_t^T\gamma_t^2]
このように上界は指数関数型なので，ブースティングは指数損失関数を最小化している手法とみなせる．
- 他のアンサンブル学習と同様に，弱学習器がFisher判別分析などの安定的な高バイアスなものでは性能は向上しない．
- 回帰問題へ適用する拡張もある．
-- しましま
関連項目†
リンク集†
関連文献†
- 基本文献
Y.Freund and R.E.Schapire, "Experiments with a New Boosting Algorithm",Proc. of The 13th Int'l Conf. on Machine Learning, pp.148-156 (1996)
GoogleScholarAll:Experiments with a New Boosting Algorithm
- boostingの日本語解説
フロインド Y., シャピリ R., 阿部 直樹, "ブースティング入門", 人工知能学会誌, vol.14, no.5, pp.771-780 (1999)
GoogleScholarAll:ブースティング入門
- ブースティングの基本から始まるが，後半は濃くなってゆく
金森 敬文, 畑埜 晃平, 渡辺 治, 小川 英光 "ブースティング - 学習アルゴリズムの設計技法" 森北出版 (2006)
Amazon.co.jpへのリンク：&amazon(4627813317);
- Book/Data Mining - Practical Machine Learning Tools and Techniques Boosting
- Book/Pattern Recognition and Machine Learning 14.3章
- Book/Data Mining - Concepts and Techniques 6.14.2節
- Book/Pattern Classification 9.5.2節
- Book/The Elements of Statistical Learning 10章
- Book/データマイニングの基礎 3.1.3節
- Book/パターン認識と学習の統計学(統計科学のフロンティア6) III部 5節
- Book/パターン認識(Rで学ぶデータサイエンス5) 14.5章
![[PukiWiki]](image/ibisforest.png "[PukiWiki]")
