複数の閾値分類を用いた効率的なAdaBoostアルゴリズム

適応的ブースト（AdaBoost）は、弱い分類器を重み付き多数決ルールを通じて強い分類器に結合するエンサンブル学習アルゴリズムの顕著な例です。AdaBoostの弱い分類器は、閾値分類を用いてデータの次元の1つで最適な閾値を見つけ、データを2つのカテゴリ—1と1—に分けようとします。しかし、場合によっては、この弱学習アルゴリズムは十分に正確ではなく、一般化性能が低く、過適合の傾向を示します。これらの課題を解決するために、まず、単一の閾値ではなく複数の閾値に基づいて例を分類する新しい弱学習アルゴリズムを提案し、その精度を向上させます。次に、本論文では、AdaBoostアルゴリズムに基づいた弱学習アルゴリズムの重み配分方式に変更を加え、分類プロセスにおける他の次元の潜在的な値を利用し、その一般性を示す理論的な識別を提供します。最後に、UCIの18のデータセットに関する2つのアルゴリズムの比較実験により、改善されたAdaBoostアルゴリズムがトレーニング反復中にテストセットでより良い一般化効果を持つことが示されます。