基于擬合型弱分類器的AdaBoost算法

摘要：針對AdaBoost算法通過最小化訓練錯誤率來選擇弱分類器造成的精度不佳問題以及單閾值作為弱分類器訓練過程較慢難以收斂問題,提出了一種基于擬合型弱分類器的Ada Boost算法。首先針對每個特征,在特征值與標記值之間建立映射關系,引入最小二乘法求解擬合多項式函數,并轉換成離散分類值,從而獲得弱分類器。其次從獲得的眾多弱分類器中,選擇分類誤差最小的弱分類器作為本輪迭代的最佳弱分類器,構成新的Ada Boost強分類器。與傳統訓練算法相比,極大地減少了待選弱分類器的個數。選取UCI數據集和MIT人臉圖像數據庫進行實驗驗證,相較于傳統Discrete-AdaBoost算法,改進算法的訓練速度提升了一個數量級,人臉檢測率可達96.59%。