Vb.net 将AdaBoost（Boosting）与Accord.Net一起使用

我正在尝试在Accord.Net中使用adaboost（或boosting）。我尝试了for decision trees给出的示例的一个版本，它与以下代码配合得很好：

'' Creates a matrix from the entire source data table
Dim data As DataTable = CType(DataView.DataSource, DataTable)

'' Create a new codification codebook to 
'' convert strings into integer symbols
Dim codebook As New Codification(data)

'' Translate our training data into integer symbols using our codebook:
Dim symbols As DataTable = codebook.Apply(data)
Dim inputs As Double()() = symbols.ToArray(Of Double)("Outlook", "Temperature", "Humidity", "Wind")
Dim outputs As Integer() = symbols.ToArray(Of Integer)("PlayTennis")

'' Gather information about decision variables
Dim attributes() As DecisionVariable = {New DecisionVariable("Outlook", 3), New DecisionVariable("Temperature", 3), _
    New DecisionVariable("Humidity", 2), New DecisionVariable("Wind", 2)}

Dim classCount As Integer = 2 '' 2 possible output values for playing tennis: yes or no

''Create the decision tree using the attributes and classes
tree = New DecisionTree(attributes, classCount)

'' Create a new instance of the ID3 algorithm
Dim Learning As New C45Learning(tree)

'' Learn the training instances!
Learning.Run(inputs, outputs)

Dim aa As Integer() = codebook.Translate("D1", "Rain", "Mild", "High", "Weak")

Dim ans As Integer = tree.Compute(aa)

Dim answer As String = codebook.Translate("PlayTennis", ans)

现在我想添加这段代码，以便在更复杂的示例上使用adaboost或boosting。我通过在上面的代码中添加以下内容尝试了以下操作：

Dim Booster As New Boost(Of DecisionStump)()

Dim Learn As New AdaBoost(Of DecisionStump)(Booster)
Dim weights(inputs.Length - 1) As Double
For i As Integer = 0 To weights.Length - 1
    weights(i) = 1.0 / weights.Length
Next

Learn.Creation = New ModelConstructor(Of DecisionStump)(x=>tree.Compute(x))
Dim Err As Double = Learn.Run(inputs, outputs, weights)

问题似乎在于：

Learn.Creation = New ModelConstructor(Of DecisionStump)(x=>tree.Compute(x))

---

如何在Accord.Net中使用adaboost或boosting？如何调整代码使其正常工作？感谢所有帮助。

这是一个迟来的响应，但对于那些可能在将来发现它有用的人来说，自3.8.0版以来，可以使用Accord.NET框架学习增强的决策树，如下所示：

//此示例演示如何使用AdaBoost来训练更复杂的
//模型比简单的决策更简单。例如，我们将使用
//它需要训练一个决策树。
//让我们使用一些合成数据：阴阳数据集是
//一个简单的二维二元非线性决策问题
//属于阴阳形状的每一类：
var数据集=新阴阳（）；
double[][]输入=dataset.Instances；
int[]outputs=Classes.tozerone（dataset.ClassLabels）；
//为逻辑回归创建AdaBoost，如下所示：
var teacher=newadaboost（）
{
//在这里，我们可以指定如何学习每个回归：
学习者=（参数）=>新C45Learning（）
{
//即。
//最大高度=
//MaxVariables=
},
//培训至：
最大迭代次数=50，
公差=1e-5，
};
//现在，我们可以使用学习方法来学习增强分类器
Boost分类器=教师学习（输入、输出）；
//我们可以使用（误差应为0.11）测试其性能：
双误差=混淆矩阵。估计（分类器、输入、输出）。误差；
//并使用以下公式计算单个数据点的决策：
bool y=classifier.decise（输入[0]）；//结果应该是假的

是否定义了“x”？如果未定义，则算法可能不喜欢未定义的变量。查看特定的盈阳数据集，您可以使用基于模型的聚类（高斯混合模型），并且可能比所示的任何监督方法都要好。此外，带有径向基函数（RBF）核的支持向量机也应该做得很好。（我没有查看所使用的SVM方法）。