낮은 일반화 오류율

코딩이 쉽다

대부분의 분류기에 적용 가능

매개변수 조정 없음

특이치에 민감함

숫자 유형

공칭 유형

원래 데이터 세트에서 S번을 선택하여 S개의 새로운 데이터 세트를 얻습니다.

새 데이터 세트는 원래 데이터 세트와 크기가 동일합니다.

각 데이터 세트는 원래 데이터 세트에서 샘플을 무작위로 선택하고 이를 다른 무작위 샘플로 대체하여 얻습니다.

종종 교체를 통한 샘플링으로 간주됨

새 데이터 세트에 중복 값이 ​​있도록 허용하고 원본 데이터 세트의 일부 값은 더 이상 표시되지 않습니다.

S개의 데이터 세트가 구성된 후 각 데이터 세트에 특정 학습 알고리즘을 적용하여 S개의 분류기를 얻습니다.

새로운 데이터를 분류할 때 이러한 S 분류기를 적용하고 가장 많은 데이터가 포함된 카테고리를 선택합니다.

같은

다른

데이터 수집

데이터 준비

데이터를 분석하다

훈련 데이터

테스트 알고리즘

알고리즘 사용

훈련 데이터의 각 샘플에는 벡터 D를 형성하기 위한 가중치가 부여됩니다.

먼저 훈련 데이터에 대해 약한 분류기를 훈련시키고 오류율을 계산합니다.

그런 다음 동일한 데이터 세트에서 약한 분류기를 다시 훈련시킵니다.

각 분류자에는 가중치 값 알파가 할당됩니다.

까지 반복을 반복합니다.

단일 기능만을 기반으로 결정을 내립니다.

각 단계마다

최고의 단일 계층 의사결정 트리를 찾으려면 buildStump() 함수를 사용하십시오.

단일 수준 의사결정 트리 배열에 최상의 단일 수준 의사결정 트리를 추가합니다.

알파 계산

새로운 가중치 벡터 D를 계산합니다.

누적 카테고리 추정 업데이트

오류율이 0.0이면 루프를 종료합니다.

사람들이 분류 오류를 더 잘 이해하는 데 도움이 될 수 있습니다.

TP/(TP FP)

TP/(TP FN)

수신기 작동 특성

수평축

수직축

사용

이상적으로는

분류기의 평균 성능 값

0과 1 이외의 값을 갖는 비용 행렬

비용정보 소개

샘플 삭제

샘플 복사