Matlab 为什么这个简单易懂的例子会破坏AdaBoost？

我正在测试一个使用Matlab方法构建的增强树模型

我只想在几个简单的例子上运行它，所以我加入了一个简单的例子，一个特性是>.5表示正面例子，而<.5表示负面例子。我得到了警告

Warning: AdaBoostM1 exits because classification error = 0

这让我想，太好了，它找到了相关的功能，所有的培训示例都正确分类

但如果我看一下准确性

sum(predicted_Y==Y)/length(Y)

结果是0.5，因为分类器只是将阳性类分配给所有示例

为什么Matlab认为分类误差=0，而它显然不是0？我相信这个例子应该很容易学习。是否有办法防止此错误并使用此方法获得正确的结果

---

编辑：上面的代码应该重现警告。

这不是一个bug，只是AdaBoost的设计不适用于第一个弱学习者获得完美分类的情况。更多详情：

1） 您得到的警告是指第一次弱学习的错误，实际上是零。您可以通过将警告随附的堆栈跟踪跟踪到函数

emble.m

（在Matlab R2013b中，第194行）中看到这一点。如果在那里放置断点并运行示例，然后运行命令

H.predict（X）

，您将看到此学习具有完美的预测能力

2） 那么为什么你们的团队没有完美的预测呢？如果您更多地查看

employee.m

，您会发现这个完美的学习者永远不会加入到employee中。这也反映在

增强的树中。NTrained

为零

3） 那么，为什么这个完美的学习者不能加入乐队呢？如果您找到AdaBoost.M1算法的描述，您将看到在每一轮中，训练示例都会根据前一个弱学习者的错误进行加权。但是，如果该弱学习者没有错误，那么权重将为零，因此所有后续学习者将无所事事

4） 如果你在现实世界中遇到这种情况，你会怎么做？不要为AdaBoost而烦恼！这个问题很简单，只要你的一个弱小的学习者就可以解决：

X = rand(100, 10);
Y = X(:, end)>.5;
tree = fit(ClassificationTree.template, X, Y);
predicted_Y = predict(tree, X);
accuracy = sum(predicted_Y == Y) / length(Y)

---

很好的解释。那么，为了调试目的，您建议如何测试AdaBoost？也许是一个非线性可分的例子？我想你已经明白了。怎么样：

X=rand（100,2）
Y=X（：，1）。^2+X（：，2）。^2>.5
boosted_tree=fittensemble（X，Y，'AdaBoostM1'，100，'tree'）
predicted_Y=predicted（增强的_树，X）
X = rand(100, 10);
Y = X(:, end)>.5;
tree = fit(ClassificationTree.template, X, Y);
predicted_Y = predict(tree, X);
accuracy = sum(predicted_Y == Y) / length(Y)