声明
摘要
第一章引言
1．1 背景
1．1．1 Boosting算法的发展历史
1．1．2 几个具体的加法模型
1．2 研究目标
1．3 本文的贡献与创新点
1．4结构说明
第二章理论基础
2．1 弱学习器
2．1．1 加权逻辑回归模型
2．1．2加权Cart决策树
2．1．3 Cart回归树
2．2 Gradient Boosting算法框架
2．2．1 Gradient Boosting全期望形式
2．2．2有限数据集的情况
2．3 AdaBoost．MH：多分类问题和思想介绍
2．3．1 多分类问题介绍
2．3．2 AdaBoost．MH
第三章Cart算法改进设计
3．1分支策略设计
3．1．1 回归树最小化方差准则失效举例
3．1．2 正态信息增益准则
3．1．3 基于目标模型分位点选择准则
3．2决策方案设计
3．2．1 Cart决策树介绍
3．2．2逻辑树决策设计
3．2．3逻辑树算法程序
第四章加法模型导出的Boosting算法设计
4．1 加法逻辑回归模型
4．1．1 损失函数的定义
4．1．2 选择S损失的理由
4．2 S-DiscreteAdaBoost算法
4．2．1 算法推导
4．2．2 算法程序和讨论
4．3．1 算法推导
4．3．2 算法程序
4．4多分类问题推广
第五章实验数据分析
5．1 实验数据来源说明
5．1．1 模拟数据实验设计
5．1．2真实数据说明
5．2 弱分类器实验结果对比分析
5．3 Boosting算法结果分析
5．3．1 训练误差和测试误差变化规律
5．3．2 分类准确率对比测试
5．3．3 在受污染数据集上的表现
第六章总结
参考文献
致谢
