版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、Boosting原理及在分類上的應(yīng)用,,Outline,背景Boosting原理Boosting算法Boosting應(yīng)用總結(jié),背景,游戲理論(Game theory)R P S錘子 布 剪子錘子½ 1 0 布0 ½ 1剪子 1 0 ½ 游戲者1(row player):
2、RSPPSRS… (損失最小化)游戲者2(column player): SRRPSRP… (損失最大化),背景,在線學(xué)習(xí)(On-line learning) 馬以往的表現(xiàn)馬當(dāng)前的狀態(tài)馬的主人場(chǎng)地安排……..以上種種因素,如何綜合考慮?,? ??? ?? ?? ??? ?? ??? ???.^^,背景,Boosting思想源于三個(gè)臭皮匠,勝過諸葛
3、亮Finding many rough rules of thumb can be a lot easier and more effective than finding a single, highly prediction rule.,原理引入,天氣預(yù)報(bào)預(yù)測(cè)明天是晴是雨?傳統(tǒng)觀念:依賴于專家系統(tǒng)(A perfect Expert),原理引入,A perfect expert,X,X,X,原理引入,Boo
4、sting:based on “Nobody is perfect”,combine common reporter to obtain perfect expert更加符合自然界的現(xiàn)實(shí),原理引入,3,7/4,X,X,2,1,X,X,Boosting—concepts(1),機(jī)器學(xué)習(xí)(Machine Learning):將一些已知的并已被成功解決的問題作為范例輸入計(jì)算機(jī),機(jī)器通過學(xué)習(xí)這些范例總結(jié)并生成相應(yīng)的規(guī)則,這些規(guī)
5、則具有通用性,使用它們可以解決某一類的問題 。人臉識(shí)別 文本分類 網(wǎng)絡(luò)安全 生物信息工程學(xué)習(xí)機(jī)(learner):機(jī)器學(xué)習(xí)得到的規(guī)則或者模型。樣本:所研究問題的實(shí)例一張人臉圖像,一篇文章,一個(gè)病毒代碼,一個(gè)生物的遺傳編碼訓(xùn)練:采用某種方法,用已知屬性的樣本作為輸入,得到相應(yīng)規(guī)則的過程。訓(xùn)練集:由已知屬性的樣本組成的集合,作為訓(xùn)練過程的輸入數(shù)據(jù)。測(cè)試集:由已知屬性的樣本組成的集合,作為測(cè)試過程的輸入數(shù)據(jù)。假
6、設(shè):學(xué)習(xí)機(jī)對(duì)樣本做出的判斷,即是否符合需要判定的事實(shí)。 某張臉是否是張三的,某篇文章是否屬于新聞?lì)悇e,Boosting—concepts(2),特征選?。簭膶?shí)際數(shù)據(jù)中抽取反映其本質(zhì)規(guī)律的屬性。 人臉圖像向量做PCA變換得到特征向量的投影系數(shù) 對(duì)文本進(jìn)行語(yǔ)法分析后表示成關(guān)于詞的特征向量機(jī)器學(xué)習(xí)系統(tǒng)結(jié)構(gòu)表示,Boosting—concepts(3),弱學(xué)習(xí)機(jī)(weak learner): 對(duì)一定分布的訓(xùn)練樣
7、本給出弱假設(shè)(僅僅強(qiáng)于隨機(jī)猜測(cè))根據(jù)有云猜測(cè)可能會(huì)下雨強(qiáng)學(xué)習(xí)機(jī)(strong learner): 根據(jù)得到的弱學(xué)習(xí)機(jī)和相應(yīng)的權(quán)重給出強(qiáng)假設(shè)(最大程度上符合實(shí)際情況:almost perfect expert)根據(jù)CNN,ABC,CBS以往的預(yù)測(cè)表現(xiàn)及實(shí)際天氣情況作出綜合準(zhǔn)確的天氣預(yù)測(cè)弱學(xué)習(xí)機(jī) 強(qiáng)學(xué)習(xí)機(jī),Boosting流程(loop1),強(qiáng)學(xué)
8、習(xí)機(jī),弱學(xué)習(xí)機(jī),,,,原始訓(xùn)練集,加權(quán)后的訓(xùn)練集,,,,,加權(quán)后的假設(shè),X>1?1:-1,弱假設(shè),Boosting流程(loop2),強(qiáng)學(xué)習(xí)機(jī),弱學(xué)習(xí)機(jī),,,,原始訓(xùn)練集,加權(quán)后的訓(xùn)練集,,,,,加權(quán)后的假設(shè),Y>3?1:-1,弱假設(shè),,Boosting流程(loop3),強(qiáng)學(xué)習(xí)機(jī),弱學(xué)習(xí)機(jī),,,,原始訓(xùn)練集,加權(quán)后的訓(xùn)練集,,,,,加權(quán)后的假設(shè),Z>7?1:-1,弱假設(shè),,,流程描述,Step1: 原始訓(xùn)練集輸入,帶
9、有原始分布Step2: 給出訓(xùn)練集中各樣本的權(quán)重Step3: 將改變分布后的訓(xùn)練集輸入已知的弱學(xué)習(xí)機(jī),弱學(xué)習(xí)機(jī)對(duì)每個(gè)樣本給出假設(shè)Step4: 對(duì)此次的弱學(xué)習(xí)機(jī)給出權(quán)重Step5: 轉(zhuǎn)到Step2, 直到循環(huán)到達(dá)一定次數(shù)或者某度量標(biāo)準(zhǔn)符合要求Step6: 將弱學(xué)習(xí)機(jī)按其相應(yīng)的權(quán)重加權(quán)組合形成強(qiáng)學(xué)習(xí)機(jī),核心思想,樣本的權(quán)重沒有先驗(yàn)知識(shí)的情況下,初始的分布應(yīng)為等概分布,也就是訓(xùn)練集如果有N個(gè)樣本,每個(gè)樣本的分布概率為1/N每次循
10、環(huán)一后提高錯(cuò)誤樣本的分布概率,分錯(cuò)樣本在訓(xùn)練集中所占權(quán)重增大, 使得下一次循環(huán)的弱學(xué)習(xí)機(jī)能夠集中力量對(duì)這些錯(cuò)誤樣本進(jìn)行判斷。弱學(xué)習(xí)機(jī)的權(quán)重準(zhǔn)確率越高的弱學(xué)習(xí)機(jī)權(quán)重越高循環(huán)控制:損失函數(shù)達(dá)到最小在強(qiáng)學(xué)習(xí)機(jī)的組合中增加一個(gè)加權(quán)的弱學(xué)習(xí)機(jī),使準(zhǔn)確率提高,損失函數(shù)值減小。,簡(jiǎn)單問題演示(Boosting訓(xùn)練過程),算法—問題描述,訓(xùn)練集 { (x1,y1), (x2,y2),…, (xN,yN) }xi ?Rm, yi? {
11、-1,+1}Dt 為第t次循環(huán)時(shí)的訓(xùn)練樣本分布(每個(gè)樣本在訓(xùn)練集中所占的概率, Dt總和應(yīng)該為1)ht:X?{-1,+1} 為第t次循環(huán)時(shí)的Weak learner,對(duì)每個(gè)樣本給出相應(yīng)的假設(shè),應(yīng)該滿足強(qiáng)于隨機(jī)猜測(cè):wt為ht的權(quán)重 為t次循環(huán)得到的Strong learner,算法—樣本權(quán)重,思想:提高分錯(cuò)樣本的權(quán)重
12、 反映了strong learner對(duì)樣本的假設(shè)是否正確采用什么樣的函數(shù)形式?,算法—弱學(xué)習(xí)機(jī)權(quán)重,思想:錯(cuò)誤率越低,該學(xué)習(xí)機(jī)的權(quán)重應(yīng)該越大 為學(xué)習(xí)機(jī)的錯(cuò)誤概率采用什么樣的函數(shù)形式? 和指數(shù)函數(shù)遙相呼應(yīng):,算法--Adaboost,理論分析--最優(yōu)化,如何求弱學(xué)習(xí)機(jī)的權(quán)重? 最基本的損失函數(shù)表
13、達(dá)形式為了便于計(jì)算,采用以下的目標(biāo)函數(shù)Boosting的循環(huán)過程就是沿著損失函數(shù)的負(fù)梯度方向進(jìn)行最優(yōu)化的過程。通過調(diào)整樣本的分布Dt和選擇弱學(xué)習(xí)機(jī)的權(quán)重wt來達(dá)到這個(gè)目的。每循環(huán)一次,增加一項(xiàng) ,使損失函數(shù)以最快速度下降。,理論分析—熵映射,給定當(dāng)前分布和選定的弱學(xué)習(xí)機(jī),如何求下一次的分布? Boosting的設(shè)計(jì)思想:改變分布,提高錯(cuò)誤樣本概率,使下一次的弱學(xué)習(xí)機(jī)能夠集中精力針對(duì)那些困難樣本。調(diào)整
14、分布后的訓(xùn)練集對(duì)當(dāng)前學(xué)習(xí)機(jī)具有最大的隨機(jī)性,正確率50%(恰好為隨機(jī)猜測(cè)),理論分析—熵映射,相對(duì)熵原理(最小鑒別信息原理) 已知隨機(jī)變量X(樣本集)的先驗(yàn)分布(Dt),并且已知所求未知分布Dt+1滿足條件 ( Dt+1*Ut = 0 ),那么所求得的未知分布估計(jì)值具有如下形式: 物理意義:在只掌握部分信息的情況下要對(duì)分布作出判斷時(shí),應(yīng)該選取符合約束條
15、件但熵值取得最大的概率分布。從先驗(yàn)分布到未知分布的計(jì)算應(yīng)該取滿足已知條件,不確定度(熵)變化最小的解。,應(yīng)用—人臉識(shí)別,應(yīng)用—人臉識(shí)別,應(yīng)用—文本分類,應(yīng)用—文本分類,總結(jié),Boosting的思想源泉:三個(gè)臭皮匠,勝過諸葛亮將一系列粗略的規(guī)則加權(quán)組合起來得到高度精確的規(guī)則。Boosting的數(shù)學(xué)實(shí)質(zhì):對(duì)目標(biāo)函數(shù)(損失函數(shù))的最優(yōu)化問題。損失函數(shù)形式不同,優(yōu)化方法不同Boosting的理論聯(lián)系:熵映射對(duì)數(shù)回歸Boosti
16、ng的應(yīng)用人臉識(shí)別文本分類,參考資料,Internet站點(diǎn)www.boosting.orghttp://mathworld.wolfram.com推薦論文A Brief Introduction to BoostingExperiments with a New Boosting AlgorithmAdditive Logistic Regression: a Statistical View of Boost
17、ingThe Boosting Approach to Machine Learning: an overviewGame Theory, On-line Prediction and BoostingBoosting as Entropy ProjectionLogistic Regression, AdaBoost and Bregman Distances以上論文均可在www.boosting.org下載,End ?,T
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- Boosting算法及其應(yīng)用.pdf
- Boosting算法研究及在人臉檢測(cè)中的應(yīng)用.pdf
- Boosting分類算法的應(yīng)用與研究.pdf
- asme設(shè)計(jì)原理及主要技術(shù)要求
- Boosting算法在搜索引擎中的應(yīng)用.pdf
- Boosting方法在混合模型選擇中的應(yīng)用.pdf
- adc原理及應(yīng)用
- 微機(jī)原理及應(yīng)用
- 激光原理及應(yīng)用
- vfd原理及應(yīng)用
- 極值原理及應(yīng)用
- 傳感器的主要作用及工作原理
- 離心泵的工作原理及主要構(gòu)件
- adc原理及應(yīng)用
- Boosting理論在推薦算法中的應(yīng)用與研究.pdf
- 胚胎工程主要技術(shù)及應(yīng)用
- Boosting方法及其在圖像理解中的應(yīng)用研究.pdf
- 人參(科)作物主要病害防治原理及方案
- 伽瑪?shù)兜脑砑皯?yīng)用
- dsp原理及應(yīng)用答案
評(píng)論
0/150
提交評(píng)論