分类算法adaboostM1和filteredclassifier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filteredclassifier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filteredclassifier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 传统的单分类器算法在草药数据的分类应用是以前比较流行的方法，但随着研究的深入，研究人员发现单分类器对不同的数据有不同的偏向性，无法满足同时对不同数据的分类需求，adaboostM1是一种组合分类器算法，该算法用组合的思想来弥补单分类器算法的不足，filteredclassifier分类器算法是在WEKA平台上的一种传统的单分类器算法。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 算法介绍 1988 年，Kearns 等在研究 PAC 学习模型时提出了一个有趣的问题：弱可学习是否等价于强可学习，即 Boosting 问题，如果这一问题有肯定的回答，意味着只要找到比随机猜测略好的弱学习算法，就可以将其提升为强学习算法，而不必直接去寻找通常情况下很难获得的强学习算法，这对学习算法的设计有着重要的意义。在更深入的研究中，Freund 等发现：在线分配问题与 Boosting 问题之间存在着很强的相似性，引入在线分配算法的设计思想，有助于设计出更实用的 Boosting 算法，他们将加权投票的相关研究成果与在线分配问题结合，并在 Boosting 问题框架下进行对应推广，得到了著名的 AdaBoost算法，该算法不再要求预知弱学习算法的任何先验知识，在实践中获得了极大的成功[1]。 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输入数据集采用5重交叉验证，取其分类精度为的分类性能，分类精度越高表示分类效果越好。 filteredclassifier的参数设置如下： Filter为discretize，基分类器为decisionstump，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，对实验输入的中草药数据集分类中，AdaBoostM1算法的分类精度大于classificationviaregression算法的分类精度。 五、结论 综上所述，在中草药分类领域，在与classificaitnoviaregression算法比较下，可以用AdaBoostM1算法来提高传统单分类器算法的分类性能，从而给了我们一个启发，即可以使用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] 曹莹，苗启广，刘家辰，高琳. AdaBoost算法研究进展与展望[J]. 自动化学报，2013，06：745-758