毕业论文移动版

2。2。1 弱分类器的训练

本科毕业设计 第 7 页

设训练样本集是 ， 表示样本集合的势，样本 x ， f 表示某一样本特征，则 f (x)

便表示样本 x 的 f 特征值。 h(x, f , p,) 表示我们要训练的弱分类器：

其中 p 的作用是保持 (2。7) 中不等式的方向永远是小于号，故 p 只能取 1 或-1。表示将 划 分成目标和非目标两个部分的最佳阈值。 p,都是待定参数，按下面的方式计算求得。

对样本集合 中所有样本 x ，计算其特征值 f (x) 。将所有特征值从小到大排序，得到序 列 Sequence。记样本集合 中包含目标的样本个数是 T ，不包含目标的样本个数是 T ，阈 值前面的所有包含目标的样本个数是 S ,阈值前面的所有不包含目标的样本个数是 S 。

固定阈值进行分析，我们知道这个弱分类器的目的的将样本集合 按阈值的值简单

分成一个决策树模型，该模型有两种参考：模型一是 f (x) 小于的样本 x 属于包含目标的类

别，而其他属于不包含目标的类别；模型二与模型一相反，是 f (x) 小于的样本 x 属于不包

含目标的类别，而其他属于包含目标的类别。图 2。3 给出两个模型的示意图，左图为模型一， 右图为模型二