在Matlab中使用AdaboostM1进行高特征选择以降低计算复杂度
我正在Matlab中实现一个算法，用于测试修改图像检测的准确性。精度由支持向量机提供。但我的问题是如何使用adaboost选择高性能，以降低计算复杂度 详细地说，我有一个图像的特征向量1xN，我不确定我是否可以在adaboost中使用类似的向量。我在Matlab中使用fitensemble函数，该向量为X，numberens=30,50,75100，“tree”为参数。我应该得到D维的新特征向量。 我的问题是，如果数据输入中的观察值是特征，那么我应该将行向量转换为列向量，还是我完全错了 在哪里可以找到新的特征向量，或者如何在生成的模型中获得它，ens 详情： Boosting特征选择可以用来选择最优特征，以降低计算复杂度。经过D次迭代，我们可以得到D维的新特征向量， 然后将它们用于最终分类。 我认为我的特征值可能是观测值，我只有一列，与该图像相关。Adaboost应该返回一个维度为D的新特征向量。 例如：如果我的初始特征向量F的长度是256，那么在使用30次迭代的情况下，我应该得到一个大小为30的新特征向量吗？F包含许多零和一些值，其中最大值可以等于100000在Matlab中使用AdaboostM1进行高特征选择以降低计算复杂度,matlab,machine-learning,adaboost,Matlab,Machine Learning,Adaboost,我正在Matlab中实现一个算法，用于测试修改图像检测的准确性。精度由支持向量机提供。但我的问题是如何使用adaboost选择高性能，以降低计算复杂度 详细地说，我有一个图像的特征向量1xN，我不确定我是否可以在adaboost中使用类似的向量。我在Matlab中使用fitensemble函数，该向量为X，numberens=30,50,75100，“tree”为参数。我应该得到D维的新特征向量。 我的问题是，如果数据输入中的观察值是特征，那么我应该将行向量转换为列向量，还是我完全错了 在哪里可