Adaboost算法详细推导

Boosting概念

Boosting是一族可将弱学习器提升为强学习器的算法。其工作机制类似于：先从初始数据集中训练出一个基学习器，再根据基学习器的表现对样本的分布进行调整，使得先前基学习器做错的样本在后续受到更多的关注，然后基于调整后的样本分布来训练下一个基学习器；如此反复进行，直到基学习器的数目达到事先指定的值T，最终将这些基学习器进行加权结合。

Adaboost介绍及推导

Boosting族算法最著名的代表就是Adaboost，Adaboost算法有多种推导方式，这里采用西瓜书中提到的加性模型。
基学习器的线性组合为

这里使用指数损失函数，

为最小化上式损失函数，对损失函数关于H(x)求导，即对公式1.3关于H(x)进行求导

即



这就意味着sign(H(x))达到了贝叶斯最优错误率。至于什么是贝叶斯最优错误率，请参看贝叶斯决策论。也就是说若指数损失函数最小化，则分类错误率也将最小化。因此可以使用指数损失函数作为优化的目标函数。
在Adaboost算法中，第一个分类器h1是通过将基学习算法用于初始分布而得，此后迭代生成αt和ht，当基分类器ht基于分布Dt产生后，那么

令上式对αt的偏导为零，即

目前还有一个ht没有获得，怎样进行训练得到呢？
Adaboost算法在获得Ht-1之后样本分布将进行调整，使得下一轮的基学习器ht能纠正Ht-1的一些错误，理想的ht能纠正Ht–1的全部错误，即最小化

对e-^(f(x))ht(x)在零处泰勒展开，省略高阶项，即
，损失函数即为

所以，理想的学习器即

令Dt表示一个分布

根据数学期望的定义，即

由于f(x),h(x)属于{-1,+1}，有

则

由此可见，理想的ht将在分布Dt下最小化分类误差。因此弱分类器将基于分布Dt来进行训练，且针对分布Dt的分类误差小于0.5.考虑到Dt和Dt+1的关系，有

参考:
[1]周志华.机器学习
[2]https://blog.csdn.net/wqtltm/article/details/82052919
[3]https://blog.csdn.net/fuqiuai/article/details/79482487