机器学习面试笔记整理7-Adaboost
算法思想
上一轮样本分布—>基分类器进行学习—>误差率—>分类器权重—>更新样本权重
优缺点
优点： 1.可使用不同分类器（LR,DT…）作为基分类器 2.精度高
缺点： 1.对异常值敏感 2.基分类器数目（迭代次数）不好设定 3.对样本不平衡敏感
面试问题收集
1. 样本、分类器权重如何确定的？ 根据上一轮的误差率e求得本轮分类器权重(与e成反比)，再由分类器权重求得样本权重。（面试可能需要让进行公式推导）
3. 输出结果？ 加权多数表决（权重*基分类器i结果），加大分类误差率小的弱分类器权重，减小分类误差率大的弱分类器权重。
4. 损失函数是什么？ 指数损失
5. 为什么用指数损失函数？ 其连续可微，可替代0-1损失函数作为优化目标
6. 讲一讲前向分步思想？ 利用前一轮的学习结果更新后一轮训练集权重，再进行学习
7. 权重提升怎么体现在分类器上？ 体现在每轮的误差率，分类器的权重与该误差率成反比 Ps:机器学习的权重分为三部分：特征权重，样本权重，分类器权重 特征权重：LR,SVM 样本权重：Adaboost，训练样本类别不均衡， 分类器权重：Adaboost
8. Adaboost是如何改变样本权重？ 提高被分错样本权重，减小分类正确样本权重，根据当前基分类器的权重，将分错样本的权重进行指数级别地增大，分对样本的权重减小。
上一篇：
通过多线程提高代码的执行效率例子
下一篇：
创建线程池有哪几种方式？