Machine learning 强分类器的boosting效应
使用强（而不是弱，错误率接近随机）分类器进行增强的效果如何？强分类器自身是否可能比在adaboost中与一组弱分类器一起使用时表现更好？是的，这是可能的。这一切都取决于您的学习数据集。看看无免费午餐定理，总有数据集不适合特定的算法/启发式（甚至是这些算法的组合） 当您在不同的数据集上使用相同错误率的算法时，boosting会让事情变得更有趣。分类器应该是强的或弱的这一事实并不会改变boosting的好处。但在升力定理的基础上，指出它的下限是弱分类器的一簇。如果使用弱分类器，它将不起作用 在我的经验中，我从未发现过这样一个问题：我发现了一个如此好/强大的分类器，以至于任何其他分类器（比随机分类器更好）都无法在某些数据集上提高性能Machine learning 强分类器的boosting效应,machine-learning,adaboost,Machine Learning,Adaboost,使用强（而不是弱，错误率接近随机）分类器进行增强的效果如何？强分类器自身是否可能比在adaboost中与一组弱分类器一起使用时表现更好？是的，这是可能的。这一切都取决于您的学习数据集。看看无免费午餐定理，总有数据集不适合特定的算法/启发式（甚至是这些算法的组合） 当您在不同的数据集上使用相同错误率的算法时，boosting会让事情变得更有趣。分类器应该是强的或弱的这一事实并不会改变boosting的好处。但在升力定理的基础上，指出它的下限是弱分类器的一簇。如果使用弱分类器，它将不起作用 在我的经