正文

boost算法原理（boost 算法）

發(fā)布時(shí)間：2023-04-19 10:18:55 稿源：創(chuàng)意嶺閱讀： 96

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于boost算法原理的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫(xiě)出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、adaboost處理一萬(wàn)組數(shù)據(jù)要多長(zhǎng)時(shí)間
2、無(wú)人駕駛(二)行人檢測(cè)算法
3、人工智能算法有哪些
4、詳細(xì)描述 adaboost 算法，并解釋為什么 adaboost 經(jīng)常可以在訓(xùn)練誤差為 0 后繼續(xù)訓(xùn)

boost算法原理（boost 算法）

一、adaboost處理一萬(wàn)組數(shù)據(jù)要多長(zhǎng)時(shí)間

一萬(wàn)小時(shí)。

AdaBoost分類器就是一種元算法分類器，AdaBoost分類器利用同一種基分類器(弱分類器)，基于分類器的錯(cuò)誤率分配不同的權(quán)重參數(shù)，最后累加加權(quán)的預(yù)測(cè)結(jié)果作為輸出。

AdaBoost算法是AdaptiveBoost的簡(jiǎn)稱，Boosting通過(guò)將一系列弱學(xué)習(xí)器組合起來(lái)。

二、無(wú)人駕駛(二)行人檢測(cè)算法

姓名：王夢(mèng)妮

學(xué)號(hào)：20021210873

學(xué)院：電子工程學(xué)院

【嵌牛導(dǎo)讀】本文主要介紹了無(wú)人駕駛中所需的行人檢測(cè)算法

【嵌牛鼻子】無(wú)人駕駛環(huán)境感知計(jì)算機(jī)視覺(jué) SVM Adaboost算法 R.CNN

【嵌牛提問(wèn)】無(wú)人駕駛中所用到的行人檢測(cè)算法有哪些

【嵌牛正文】

在同樣的交通路況下，無(wú)人車通過(guò)對(duì)自身運(yùn)動(dòng)狀態(tài)及行駛環(huán)境信息進(jìn)行分析，決策出最佳行駛策略和行駛方案代替駕駛員完成一系列駕駛行為，從而降低道路交通事故的發(fā)生率。而在無(wú)人駕駛中最為重要的技術(shù)便是環(huán)境感知，而在城市道路上有大量的行人出行，只有準(zhǔn)確快速地檢測(cè)出行人與對(duì)其進(jìn)行跟蹤，才能避免車撞人。

計(jì)算機(jī)視覺(jué)是研究賦予機(jī)器“人眼”功能的科學(xué)，通過(guò)多個(gè)傳感器來(lái)獲取一定范圍內(nèi)的色彩數(shù)據(jù)，用算法分析得到的數(shù)據(jù)從而理解周圍環(huán)境，這個(gè)過(guò)程模擬了人眼以及大腦的處理過(guò)程，從而賦予機(jī)器視覺(jué)感知能力?，F(xiàn)有的行人檢測(cè)技術(shù)大多都是檢測(cè)照片中的行人目標(biāo)，這種照片的拍攝大多是拍攝的靜止目標(biāo)，圖像的分辨率和像素點(diǎn)包含的語(yǔ)義信息都及其豐富，對(duì)應(yīng)的算法在這樣的圖片上往往能取得理想的效果，但是用于無(wú)人車的“眼睛”，算法的魯棒性就表現(xiàn)的非常差。這是因?yàn)樵趯?shí)際的道路環(huán)境中，攝像頭需要搭載的車身上，在行進(jìn)過(guò)程中跟隨車以一定的速度移動(dòng)，并且在實(shí)際道路中，行人目標(biāo)往往是在運(yùn)動(dòng)的，由此提取出拍攝視頻中的一幀就會(huì)出現(xiàn)背景虛化，造成像素點(diǎn)包含的語(yǔ)義信息大量減少，增加了行人檢測(cè)的難度。

行人檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究課題。在實(shí)際生活中，行人大多處于人口密集、背景復(fù)雜的城市環(huán)境中，并且行人的姿態(tài)各不相同，如何將行人從色彩豐富、形狀相似的環(huán)境中快速準(zhǔn)確地提取出來(lái)，是行人檢測(cè)算法的難點(diǎn)。

行人檢測(cè)算法分為兩大類，一類是基于傳統(tǒng)圖像處理，另一類是基于深度學(xué)習(xí)的方法。近年來(lái)隨著計(jì)算機(jī)計(jì)算速度的大幅提升，基于深度學(xué)習(xí)的方法有著越來(lái)越高的檢測(cè)速度與檢測(cè)精度，在行人檢測(cè)領(lǐng)域應(yīng)用越加廣泛。

（一）基于傳統(tǒng)圖像處理的行人檢測(cè)算法

使用傳統(tǒng)的圖像處理方法來(lái)做行人檢測(cè)一般都是由兩個(gè)步驟組成，第一就是需要手工設(shè)計(jì)一個(gè)合理的特征，第二就是需要設(shè)計(jì)一個(gè)合理的分類器。手工設(shè)計(jì)特征就是找到一種方法對(duì)圖像內(nèi)容進(jìn)行數(shù)學(xué)描述，用于后續(xù)計(jì)算機(jī)能夠區(qū)分該圖像區(qū)域是什么物體，分類器即是通過(guò)提取的特征判斷該圖像區(qū)域?qū)儆谛腥四繕?biāo)還是屬于背景。在傳統(tǒng)的圖像處理領(lǐng)域，手工特征有許多種，比如顏色特征、邊緣特征(canny算子和sobel算子)以及基于特征點(diǎn)的描述子(方向梯度直方圖)等。學(xué)者們一致認(rèn)為方向梯度直方圖是最適合行人檢測(cè)的人工特征，其主要原理是對(duì)圖像的梯度方向直方圖進(jìn)行統(tǒng)計(jì)來(lái)表征圖像。該特征是由Dalal于2005提出的，并與SVM分類器相結(jié)合，在行人檢測(cè)領(lǐng)域取得了前所未有的成功。

傳統(tǒng)的行人檢測(cè)方法首先需要通過(guò)提取手工設(shè)計(jì)特征，再使用提取好的特征來(lái)訓(xùn)練分類器，得到一個(gè)魯棒性良好的模型。在行人檢測(cè)中應(yīng)用最廣泛的分類器就是SVM和Adaboost。SVM分類器就是要找到一個(gè)超平面用來(lái)分割正負(fù)樣本，這個(gè)超平面的滿足條件就是超平面兩側(cè)的樣本到超平面的距離要最大，即最大化正負(fù)樣本邊界。下圖即為線性SVM的示意圖。

Adaboost分類算法的主要原理不難理解，就是采用不同的方法訓(xùn)練得到一系列的弱分類器，通過(guò)級(jí)聯(lián)所有的弱分類器來(lái)組成一個(gè)具有更高分類精度的強(qiáng)分類器，屬于一種迭代算法。原理簡(jiǎn)單易于理解且有著良好的分類效果，唯一不足就是練多個(gè)弱分類器非常耗時(shí)。下圖為面對(duì)一個(gè)二分類問(wèn)題，Adaboost算法實(shí)現(xiàn)的細(xì)節(jié)。

（二）基于深度學(xué)習(xí)的行人檢測(cè)算法

近年來(lái)，隨著硬件計(jì)算能力的不斷增強(qiáng)，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)飛速發(fā)展，在目標(biāo)檢測(cè)領(lǐng)域取得了更好的成績(jī)。卷積神經(jīng)網(wǎng)絡(luò)不再需要去手動(dòng)設(shè)計(jì)特征，只需要將圖片輸入進(jìn)網(wǎng)絡(luò)中，通過(guò)多個(gè)卷積層的卷積操作，提取出圖像的深層語(yǔ)義特征。要想通過(guò)深度學(xué)習(xí)的方法得到一個(gè)性能良好的模型，需要大量的樣本數(shù)據(jù)，如果樣本過(guò)少，就很難學(xué)習(xí)到泛化能力好的特征，同時(shí)在訓(xùn)練時(shí)，由于涉及到大量的卷積操作，需要進(jìn)行大量計(jì)算，要求硬件設(shè)備具有極高的算力，同時(shí)訓(xùn)練起來(lái)也很耗時(shí)。隨著深度學(xué)習(xí)的飛速發(fā)展，越來(lái)越多基于深度學(xué)習(xí)的模型和方法不斷被提出，深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域會(huì)有更加寬廣的發(fā)展空間。

Ross Girshick團(tuán)隊(duì)提出了R.CNN系列行人檢測(cè)算法，其中Faster R—CNN 算法通過(guò)一個(gè)區(qū)域提議網(wǎng)絡(luò)來(lái)生成行人候選框，在最后的特征圖上滑動(dòng)來(lái)確定候選框。Faster RCNN是首個(gè)實(shí)現(xiàn)端到端訓(xùn)練的網(wǎng)絡(luò)，通過(guò)一個(gè)網(wǎng)絡(luò)實(shí)現(xiàn)了特征提取、候選框生成、邊界框回歸和分類，這樣的框架大大提高了整個(gè)網(wǎng)絡(luò)的檢測(cè)速度。 He Kaiming等人在2017年提出Mask R—CNN算法，該算法改進(jìn)了Faster·R—CNN，在原有的網(wǎng)絡(luò)結(jié)構(gòu)上增加了一個(gè)分支進(jìn)行語(yǔ)義分割，并用ROI Align替代了ROI Pooling，取得了COCO數(shù)據(jù)集比賽的冠軍。

三、人工智能算法有哪些

同意上一個(gè)回答，我來(lái)補(bǔ)充一下

決策樹(shù)

決策樹(shù)是在已知各種情況發(fā)生概率的基礎(chǔ)上，通過(guò)構(gòu)成決策樹(shù)來(lái)求取凈現(xiàn)值的期望值大于等于零的概率，評(píng)價(jià)項(xiàng)目風(fēng)險(xiǎn)，判斷其可行性的決策分析方法，是直觀運(yùn)用概率分析的一種圖解法。由于這種決策分支畫(huà)成圖形很像一棵樹(shù)的枝干，故稱決策樹(shù)。

隨機(jī)森林

在機(jī)器學(xué)習(xí)中，隨機(jī)森林是一個(gè)包含多個(gè)決策樹(shù)的分類器，并且其輸出的類別是由個(gè)別樹(shù)輸出的類別的眾數(shù)而定。

邏輯回歸

邏輯回歸，是一種廣義的線性回歸分析模型，常用于數(shù)據(jù)挖掘，疾病自動(dòng)診斷，經(jīng)濟(jì)預(yù)測(cè)等領(lǐng)域。例如，探討引發(fā)疾病的危險(xiǎn)因素，并根據(jù)危險(xiǎn)因素預(yù)測(cè)疾病發(fā)生的概率等。

Adaboost

Adaboost是一種迭代算法，其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的分類器(弱分類器)，然后把這些弱分類器集合起來(lái)，構(gòu)成一個(gè)更強(qiáng)的最終分類器(強(qiáng)分類器)。

其算法本身是通過(guò)改變數(shù)據(jù)分布來(lái)實(shí)現(xiàn)的，它根據(jù)每次訓(xùn)練集之中每個(gè)樣本的分類是否正確，以及上次的總體分類的準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。

樸素貝葉斯

樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。最為廣泛的兩種分類模型是決策樹(shù)模型和樸素貝葉斯模型。

和決策樹(shù)模型相比，樸素貝葉斯分類器發(fā)源于古典數(shù)學(xué)理論，有著堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)，以及穩(wěn)定的分類效率。同時(shí)，樸素貝葉斯分類器模型所需估計(jì)的參數(shù)很少，對(duì)缺失數(shù)據(jù)不太敏感，算法也比較簡(jiǎn)單。

K近鄰

所謂K近鄰算法，即是給定一個(gè)訓(xùn)練數(shù)據(jù)集，對(duì)新的輸入實(shí)例，在訓(xùn)練數(shù)據(jù)集中找到與該實(shí)例最鄰近的K個(gè)實(shí)例（也就是上面所說(shuō)的K個(gè)鄰居），這K個(gè)實(shí)例的多數(shù)屬于某個(gè)類，就把該輸入實(shí)例分類到這個(gè)類中。

SVM

使用鉸鏈損失函數(shù)計(jì)算經(jīng)驗(yàn)風(fēng)險(xiǎn)并在求解系統(tǒng)中加入了正則化項(xiàng)以優(yōu)化結(jié)構(gòu)風(fēng)險(xiǎn)，是一個(gè)具有稀疏性和穩(wěn)健性的分類器。

神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)在某種簡(jiǎn)化意義下的技術(shù)復(fù)現(xiàn)，它的主要任務(wù)是根據(jù)生物神經(jīng)網(wǎng)絡(luò)的原理和實(shí)際應(yīng)用的需要建造實(shí)用的人工神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)相應(yīng)的學(xué)習(xí)算法，模擬人腦的某種智能活動(dòng)，然后在技術(shù)上實(shí)現(xiàn)出來(lái)用以解決實(shí)際問(wèn)題。因此，生物神經(jīng)網(wǎng)絡(luò)主要研究智能的機(jī)理；人工神經(jīng)網(wǎng)絡(luò)主要研究智能機(jī)理的實(shí)現(xiàn)，兩者相輔相成。

四、詳細(xì)描述 adaboost 算法，并解釋為什么 adaboost 經(jīng)常可以在訓(xùn)練誤差為 0 后繼續(xù)訓(xùn)

訓(xùn)練誤差在考慮分類是否正確的同時(shí)，還考慮了分類的信度，即margin，由弱分類器的投票權(quán)重得來(lái)，隨著訓(xùn)練數(shù)據(jù)集T的增加，訓(xùn)練樣本的margin會(huì)增大，大的margin會(huì)帶來(lái)更好的泛化性能，使得測(cè)試誤差的界也會(huì)隨之改變，進(jìn)一步使測(cè)試誤差繼續(xù)下降。

以上就是關(guān)于boost算法原理相關(guān)問(wèn)題的回答。希望能幫到你，如有更多相關(guān)問(wèn)題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。