1樓：匿名使用者
《opencv研讀筆記:haartraining程式之cvcreatemtstumpclassifier函式詳解（弱分類器建立）~》
《談談對gentle adaboost的一點理解~》
adaboost演算法中訓練弱分類器應當使用什麼演算法
2樓：匿名使用者
任何分類器都行，但要是弱分類器，記得一篇**中說如果是強分類器會影響最終訓練效能，但沒有試過。簡單點可以用decision stump，其實就是一個判斷，如果特徵符合某個條件則為a類，否則是b類。其他決策樹也行，至於使用不同分類器是不是有很大區別，沒有做過實驗不敢妄言，但肯定會有效能差別的。
3樓：匿名使用者
控制元件設定選項
在radiobutton控制元件的properties選項中，一般常對以下選項進行設定。
name：該控制元件對應源**中的名稱；
text：該控制元件對應圖形介面中所顯示的名稱；
font：設定text的字型；
enabled：該控制元件是否可用，可用時值為true，不可用時值為false；
checked:用來設定或返回是否選中單選按鈕，選中時值為true，沒有選中時值為false。
請教adaboost弱分類器設計問題
4樓：匿名使用者
adaboost演算法裡面 要求弱分類器正確率》50%並且各個弱分類器相互獨立 可是如果弱分類器錯誤率均在50%以下，但不完全獨立 會造成什麼樣的後果呢？今天和aa討論的，弱分類器用最小平方誤差，最小平方誤差的錯誤率應該是50%以下的，可是調整權值會使分類器不獨立（這個我也不這麼認為，因為弱分類器是重新調整權值後重新計算的，跟上一次應該不算線形相關。何況，在adaboost演算法描述本身，也是用的調整權值來做的~ 說明這樣的權值調整，並不會使弱分類器變得相關，不然，adaboost演算法這麼大的漏洞，不可能被廣泛應用的）aa說會讓組合後的分類器錯誤率》50%而退出~ 可是我覺得不會，迭代演算法應該能保證其越來越優，只是可能一直到不了錯誤率<0附近的值的狀態。
btw adaboost調不出結果來。。。哭ing
adaboost演算法學習強分類器是不是弱分類器越簡單越好
5樓：
控制元件設定選項
在radiobutton控制元件的properties選項中，一般常對以下選項進行設定。
name：該控制元件對應源**中的名稱；
text：該控制元件對應圖形介面中所顯示的名稱；
font：設定text的字型；
enabled：該控制元件是否可用，可用時值為true，不可用時值為false；
checked:用來設定或返回是否選中單選按鈕，選中時值為true，沒有選中時值為false。
請問adaboost演算法問題？
6樓：匿名使用者
adaboost演算法裡面 要求弱分類器正確率》50%並且各個弱分類器相互獨立 可是如果弱分類器錯誤率均在50%以下，但不完全獨立 會造成什麼樣的後果呢？今天和aa討論的，弱分類器用最小平方誤差，最小平方誤差的錯誤率應該是50%以下的，可是調整權值會使分類器不獨立（這個我也不這麼認為，因為弱分類器是重新調整權值後重新計算的，跟上一次應該不算線形相關。何況，在adaboost演算法描述本身，也是用的調整權值來做的~ 說明這樣的權值調整，並不會使弱分類器變得相關，不然，adaboost演算法這麼大的漏洞，不可能被廣泛應用的）aa說會讓組合後的分類器錯誤率》50%而退出~ 可是我覺得不會，迭代演算法應該能保證其越來越優，只是可能一直到不了錯誤率<0附近的值的狀態。
btw adaboost調不出結果來。。。哭ing
如何利用adaboost提高分類效能
7樓：霸7威武
adaboost是一種迭代演算法，其核心思想是針對同一個訓練集訓練不同的分類器（弱分類器），然後把這些弱分類器集合起來，構成一個更強的最終分類器（強分類器）。
其演算法本身是通過改變資料分佈來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。
將修改過權值的新資料集送給下層分類器進行訓練，最後將每次訓練得到的分類器最後融合起來，作為最後的決策分類器。
使用adaboost分類器可以排除一些不必要的訓練資料特徵，並將關鍵放在關鍵的訓練資料上面。
目前，對adaboost演算法的研究以及應用大多集中於分類問題，同時近年也出現了一些在迴歸問題上的應用。
就其應用adaboost系列主要解決了：兩類問題、多類單標籤問題、多類多標籤問題、大類單標籤問題，迴歸問題。
它用全部的訓練樣本進行學習。
該演算法其實是一個簡單的弱分類演算法提升過程，這個過程通過不斷的訓練，可以提高對資料的分類能力。
adaboost如何訓練
8樓：周太陽
paul viola和michael jones於2023年將adaboost演算法應用於人臉檢測中,其基本思想是針對不同的訓練集訓練同一個分類器（弱分類器），然後把這些不同訓練集上的得到的分類器聯合起來，構成一個最終的強分類器。adaboost 演算法中不同的訓練集是通過調整每個樣本對應的權重來實現的。開始時，每個樣本對應的權重是相同的，對於h1 分類錯誤的樣本，加大其對應的權重； 而對於分類正確的樣本， 降低其權重， 這樣分錯的樣本就被突出出來，從而得到一個新的樣本分佈 u2 。
在新的樣本分佈下，再次對弱分類器進行訓練，得到弱分類器 h2 。依次類推，經過 t 次迴圈，得到 t 個弱分類器，把這 t 個弱分類器按一定的權重疊加（boost）起來，得到最終想要的強分類器。
訓練系統總體框架，由「 訓練部分」和 「 補充部分」構成。依據系統框架，本文的訓練系統可分為以下幾個模組:
(1)以樣本集為輸入，在給定的矩形特徵原型下，計算並獲得矩形特徵集;
(2)以特徵集為輸入，根據給定的弱學習演算法，確定閩值，將特徵與弱分類器一一對應，獲得弱分類器集;
(3)以弱分類器集為輸入， 在訓練檢出率和誤判率限制下， 使用a d a b o o s t 演算法
挑選最優的弱分類器構成強分類器;
(4)以強分類器集為輸入，將其組合為級聯分類器;
(5)以非人臉**集為輸入，組合強分類器為臨時的級聯分類器，篩選並補充
非人臉樣本。
如何用opencv訓練自己的adaboost分類器
9樓：匿名使用者
每個haar特徵對應看一個弱分類器，但並不是任伺一個haar特徵都能較好的描述人臉灰度分佈的某一特點，如何從大量的haar特徵中挑選出最優的haar特徵並製作成分類器用於人臉檢測，這是adaboost演算法訓練過程所要解決的關鍵問題。
paul viola和michael jones於2023年將adaboost演算法應用於人臉檢測中,其基本思想是針對不同的訓練集訓練同一個分類器（弱分類器），然後把這些不同訓練集上的得到的分類器聯合起來，構成一個最終的強分類器。adaboost 演算法中不同的訓練集是通過調整每個樣本對應的權重來實現的。開始時，每個樣本對應的權重是相同的，對於h1 分類錯誤的樣本，加大其對應的權重； 而對於分類正確的樣本， 降低其權重， 這樣分錯的樣本就被突出出來，從而得到一個新的樣本分佈 u2 。
在新的樣本分佈下，再次對弱分類器進行訓練，得到弱分類器 h2 。依次類推，經過 t 次迴圈，得到 t 個弱分類器，把這 t 個弱分類器按一定的權重疊加（boost）起來，得到最終想要的強分類器。
訓練系統總體框架，由「 訓練部分」和 「 補充部分」構成。依據系統框架，本文的訓練系統可分為以下幾個模組:
(1)以樣本集為輸入，在給定的矩形特徵原型下，計算並獲得矩形特徵集;
(2)以特徵集為輸入，根據給定的弱學習演算法，確定閩值，將特徵與弱分類器一一對應，獲得弱分類器集;
(3)以弱分類器集為輸入， 在訓練檢出率和誤判率限制下， 使用a d a b o o s t 演算法
挑選最優的弱分類器構成強分類器;
(4)以強分類器集為輸入，將其組合為級聯分類器;
(5)以非人臉**集為輸入，組合強分類器為臨時的
如何確定窗簾尺寸，窗簾尺寸怎麼算
明妍 窗簾安裝前的尺寸測量方法，資料錯誤的話，整個窗簾就毀了！1.窗寬量出來 2.窗簾寬度 窗寬 0.15 2 2 0.15 左右距離各0.15m 2 2倍褶 3.安裝時窗簾離地面15cm最合適。窗簾寬度計算 窗簾尺寸 窗簾尺寸怎麼算 窗簾尺寸計算 怎樣計算窗簾，有很多顧客對於做窗簾的尺寸不大明白，...
零件有效厚度如何確定， 求助 零件有效厚度如何確定？？
1以無限長軸類直徑為基本形狀尺寸，例如軸類為直徑，板類為厚度，筒類為壁厚，2，找出影響基本形狀的尺寸關係，確定係數，例如球類，方快為0.5，板類寬度大於3倍厚度的為1.5 2，筒類孔的直徑小於壁厚的係數為1.5 2。詳細計算方法書上有，實際生產中還要考慮裝爐量，和裝爐方式，為提高生產率，在裝置額定範...
按清宮圖算如何確定自己的虛歲。出生，到現在
1991年9月12出生，到現在2018，是28虛歲 冷綠海 我1986年農曆10月16出生 如今是是多少歲 小灰繾綣 虛歲28 過去十八歲沒戴錶不過有時間 按清宮圖算如何確定自己的虛歲 答我所知 懷孕月份陰曆十二月，根據清宮圖查的是男孩 而且清宮圖顯示，你這個年齡懷男孩的機率很大，但是，也要看你老公...