Algorithm 这种行为正确吗？

我正在实现论文中描述的AdaBoost，以供自己借鉴。在对算法进行单元测试的过程中，我发现了一些奇怪的行为。有可能这只是算法在屏蔽数据上的奇怪行为，也有可能我遗漏了什么。我想知道是哪种情况

首先，我有：

2 instances of A type faces
1 instance  of a B type face
3 instances of noise
--------------------
6 total instances

因此，每个图像的初始权重为

1/6

分类器选择的第一个特征识别A型面，但不识别B型面，也不识别任何噪声。因此，它的错误（以及增强分类器中的相关权重）为

1/6

接下来更新权重（首先将正确分类的图像乘以

（error/1-error））==0.2，得到：

A type face weight: 1/30
B type face weight: 1/6
noise image weight: 1/6

然后将权重归一化（总和为1）：

第二个功能可以正确选择B类型图像，但不能选择噪波或A类型图像。因此，它的错误为
1/11
（
2/22
），明显小于
1/6

因为Viola Jones提出的“默认”阈值（这是在我们讨论cascades和本文后面部分中的调整阈值之前）是权重的一半，并且只有两个权重，第二个特征的权重更大（因为它具有更低的误差）然后，得到的增强分类器只能正确地对B型面进行分类

直观地说，我希望有一个强分类器，由检测a面的弱分类器和检测B面的弱分类器组成，以检测a面和B面

我甚至愿意接受，我只会得到两张中的一张，因为AdaBoost是一种多数投票算法，可能会在只有两张投票人的情况下表现得很奇怪，但我认为如果它只会正确地分类其中一张脸，那么它会正确地分类a脸，因为a脸的数量更多

换言之，我希望每个弱分类器添加到强分类器后，其权重会依次降低

我是否遗漏了一个步骤，或者这只是过于简单的数据的奇怪行为？
计算中有一个错误。使用第一个特征时，错误为1/6，因为只有B面被错误分类。在这种情况下，噪波和A面分类正确。因此，当您根据w（i）=w（i）*beta^（1-e（i））更新权重时，只有B面e（i）等于1。对于面和噪声e（i）=0。因此，将更新噪波和A面的权重：

A type face weight: 1/30
B type face weight: 1/6
noise image weight: 1/30

正常化后：

A type face weight: 1/10
B type face weight: 1/2
noise image weight: 1/10

现在，当您使用第二项功能时，错误为1/5。
您完全正确。我只是减少了正确分类的人脸的权重，而不是正确分类的非人脸的权重。现在效果好多了。我会在可能的时候（必须等24小时）奖励赏金。
A type face weight: 1/10
B type face weight: 1/2
noise image weight: 1/10