分类算法adaboostM1和multiboostAB对草药数据分类的比较.doc

精品文档（可编辑） 值得下载 分类算法adaboostM1和multiboostAB对草药数据分类的比较 【摘要】 讨论了在中草药数据分类应用中两种分类器算法multiboostAB和adaboostM1的分类性能的问题，在weka平台上实验可知，这两种分类器算法中adaboostM1的分类精度比较高。 【关键词】 中草药 AdaBoostM1 weka 一、概述 以往对于中草药的分类一般都是采用传统的单分类算法，如最近邻分类算法、神经网络算法等，本实验研究的是把组合分类器算法应用于中草药数据的分类中，使用了目前比较流行的adaboostM1算法，与该算法进行比较的也是一种元学习算法，该算法为multiboostAB分类器算法。 本文首先在weka平台上用两种分类器算法对草药数据集进行分类，然后再对这两种算法的分类精度进行对比，实验表明：在实验数据集为输入样本集的情况下，AdaboostM1算法的分类精度比较高。 二、AdaBoost 算法 AdaBoost 算法的基本思想可以概括为： （1）对实验中的每个样本 X都赋予一个权重W。 （2）对输入的训练数据进行K次迭代学习。每次迭代后，对其中分类错误的样本进行加大权重修改，使得下次进行迭代时把重点放在这些样本上。 （3）同时对于算法中的每个弱分类器都有一个原始的权重α，随着迭代的进行，每个弱分类器的权重进行修改，其中正确率高的分类器权重也相对高。 三、在Weka上用AdaBoost算法及几种单分类算法对草药数据进行分类 本文所进行的实验在Weka3-7-1平台上完成，用三种草药三七、人参、西洋参的指纹图谱数据作为实验的数据集。本实验采用的方法是对数据集采用5重交叉验证，实验得出的分类精度体现为分类性能，分类精度越高表示分类效果越好。 multiboostAB的参数设置如下： 基分类器为decisionstump，numiteration是10，numsubcmtys为3，seed为1，weightThreshold为100，其他的为默认参数设置。 AdaboostM1的参数设置如下： 基分类器为decisionstump，numiteration为10，seed为1，weightThresold为100。 之后执行RUN界面的START指令，再进入ANALYSE界面载入文件选择分析分类精度，可得到这些算法的平均分类精度如表1所示。 四、实验结果与分析 从表1可以看出，在实验的中草药数据集中，AdaBoostM1算法的分类精度大于multiboostAB算法的分类精度。 五、结论 综上所述，在中草药分类领域，在与multiboostAB算法比较下，可以利用AdaBoostM1算法来提高传统分类器算法的分类精度，使用AdaBoostM1算法来进行草药数据集的分类以达到高的精度。 参 考 文 献 [1] Witten，1.H.and Frank，E.Data Mining practical machine leaning tool sand techniques，second edition. 北京，机械工业出版社，2006