【Adaptive Boosting】林轩田机器学习技法

首先用一个形象的例子来说明AdaBoost的过程：

1. 每次产生一个弱的分类器，把本轮错的样本增加权重丢入下一轮

2. 下一轮对上一轮分错的样本再加重学习，获得另一个弱分类器

经过T轮之后，学得了T个弱分类器，再将这T个弱分类器组合在一起，形成了一个强分类器。

 

由于每一轮样本的权重都在变化，因此分类器学习的目标函数也产生了变化：

无论是SVM还是Logistic Regression都可以用这种方式学习，给每个样本增加不同的权重。

接下来问题就变成了，如何调整样本的权重？目的是什么？

林介绍了一个原则：

目的：如果想要多个分类器的组合效果好，多个分类器之间的差异就要大一些

方法：上一轮分对的样本在下一轮权重降低，上一轮分错的样本在下一轮提高，这样gt和gt+1的对不同样本的分类能力就有区别了

林接着介绍了一种有实际操作可行性的re-weighting方法。

分对样本权重乘以错误率，分对样本权重乘以（1-错误率）：上张PPT提到了，这样做的结果就是ut+1对于gt分类器来说是random的；但是，本轮对ut+1的学习结果gt+1分类器（如果真的学的靠谱）肯定要优于random的，；这样一来，既保证了差异性，又不至于调整的太过分。

每一轮分类器怎么学习解决了，但是分类器怎么组合还没有提到。

林介绍了一种Linear Aggregation on the Fly的方法：

这种方法每一轮学完分类器，分类器前面的权重也就有了：

对scaling factor取一个ln当成分类器权重

1）系数为正，表示分类器能起到一定的正确分类作用

2）系数为0，表示分类器跟随机的效果一样

3）系数为负，表示分类器判断结果与真实结果更可能是相反的

如果是工程化编程，这里需要考虑如果error rate=0的情况，做一个特殊的处理。

最后林从理论上讲了AdaBoost的依据：

这种方法为什么能行呢？

1）每次前进一小步，Ein可能会越来越小

2）样本量足够多，VC bound可以保证Ein与Eout接近（泛化性好）

林接着介绍了一个AdaBoost的经典例子：

要想找一个弱分类器，那没有比one-dimension stump更弱的了，但就是这么弱的分类器，经过组合也产生了伟大的工作。

工作就是实时人脸识别。