多分类BP-AdaBoost算法研究与应用

摘要

在对多类别样本数据集进行分类时,传统BP-AdaBoost算法通常采用“一对一”和“一对多”的方法,而随着训练样本数以及训练样本种类的增加,采用这两方法使得BP-AdaBoost训练的时间开销急剧增加,因此在实际应用中十分受限,尤其不适用于对大规模数据进行分类.针对该问题,本文提出多分类BP-AdaBoost分类算法,实现模型信息的有效利用与融合增强.实验结果表明,在相同测试情况下,该算法有效降低BP-AdaBoost训练过程中的时间开销.