人工智能adaboost算法应用-人工智能a*算法实验报告

大家好，今天小编关注到一个比较有意思的话题，就是关于人工智能adaboost算法应用的问题，于是小编就整理了5个相关介绍人工智能adaboost算法应用的解答，让我们一起看看吧。

1. AdaBoost算法 弱分类器占比？
2. 人工智能的延伸和扩展？
3. adaboost随机森林什么关系？
4. 什么是人工智能？发展过程中经历了哪些阶段？
5. envi归一化处理的目的？

AdaBoost算法 弱分类器占比？

AdaBoost算法是一种集成学习算法，将多个弱分类器组合成一个强分类器。在AdaBoost算法中，每个弱分类器的权重由其在训练集中的分类错误率决定，分类错误率越低的弱分类器具有越高的权重。因此，弱分类器的占比取决于它们在训练集中的分类错误率。一般来说，分类错误率较低的弱分类器会占据较高的权重，而分类错误率较高的弱分类器则会占据较低的权重。

人工智能的延伸和扩展？

1、人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

2、一开始是图灵提出的概念：机器人是否会思考

然后就被搁在一边了，直到神经网络结构的提出，又火了一段时间，然后因为隐层训练规则不明所以又被搁一边了；

在接下来有人解决了隐层训练问题，又一下子活跃起来了，大概活跃到了上世纪70年代，划时代的SVM提出来了，至此机器学习从以仿生为主正式转为以统计学为主；

接下来是1995年AdaBoost算法提出，实现了多分类器的级联，又把分类效果提升了一个等级；

adaboost随机森林什么关系？

随机森林会对变量做子抽样，比如变量是p，随机森林每次会随机抽取log p个变量拟合一棵决策树。显然，随机森林适合p比较大的情况。否则log p可能就是1.+ 2.+这种情况，毫无意义。

adaboost和GBDT很类似，可以理解成前者就是后者取指数损失的一个特例。适合p比较小的时候用。当然，这两者都只适用于n>>p的情况，此时样本携带了足够多的信息去拟合非线性的关系。也就是说，随机森林也不适合p特别大的情况。

如果p>>n，以LASSO为首的惩罚回归是首选工具。

什么是人工智能？发展过程中经历了哪些阶段？

1、人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

2、一开始是图灵提出的概念：机器人是否会思考

然后就被搁在一边了，直到神经网络结构的提出，又火了一段时间，然后因为隐层训练规则不明所以又被搁一边了；

在接下来有人解决了隐层训练问题，又一下子活跃起来了，大概活跃到了上世纪70年代，划时代的SVM提出来了，至此机器学习从以仿生为主正式转为以统计学为主；

接下来是1995年AdaBoost算法提出，实现了多分类器的级联，又把分类效果提升了一个等级；

最后就是06年深度学习概念提出，现在看来效果很不错，接近甚至超过人分类效果了；

总的来说就是一开始人们想用计算机做一个大脑出来，经过几十年摸索发现不现实，最后发现可以用统计学大数据来解决。

envi归一化处理的目的？

1. 使用梯度下降法求解最优解的模型，归一化就非常重要！原因：随机梯度下降时，特征值相差大，会导致更新速度慢，需要兼顾特征值小的特征。

比如，knn，logistc回归，gbdt，xgboost，adaboost、线性回归。

2.还有一些模型是基于距离的，所以量纲对模型影响较大，就需要归一化数据，处理特征之间的权重问题，这样可以提高计算精度。

比如，knn，svm，kmeans，k近邻，主成分分析。

3.神经网络对数据分布本无要求，但归一化可以加快训练数据。

不需要归一化处理的模型：

决策树，随机森林（决策树作为基学习器）、GBDT（梯度提升决策树）。决策树模型，决策树模型分裂根据信息增益，信息增益与特征归一化无关。他们因为它们不关心变量的值，而是关心变量的分布和变量之间的条件概率。

树模型一般不需要做归一化处理，做归一化处理的目的主要为了使同一特征的取值在同一量纲，降低方差太大带来的影响。树模型并不关心特征的具体取值，只关心特征取值的分布。

到此，以上就是小编对于人工智能adaboost算法应用的问题就介绍到这了，希望介绍关于人工智能adaboost算法应用的5点解答对大家有用。

[免责声明]本文来源于网络，不代表本站立场，如转载内容涉及版权等问题，请联系邮箱:83115484@qq.com，我们会予以删除相关文章，保证您的权利。转载请注明出处：http://www.bfgfmw.com/post/24110.html