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