Resumen

Como método de aprendizaje automático, AdaBoost se aplica ampliamente a la clasificación de datos y la detección de objetos por su robustez y eficacia. AdaBoost construye una combinación global y óptima de clasificadores débiles basada en una reponderación de muestras. Se sabe que este tipo de combinación mejora enormemente el rendimiento de la clasificación. A medida que aumenta la popularidad de AdaBoost, se han propuesto muchas variantes para mejorar el rendimiento de AdaBoost. También se han publicado muchos estudios de comparación y revisión de variantes de AdaBoost. Algunos investigadores compararon diferentes variantes de AdaBoost mediante experimentos en sus propios campos, y otros revisaron diversas variantes de AdaBoost introduciendo básicamente estos algoritmos. Sin embargo, falta un análisis matemático de las capacidades de generalización de las distintas variantes de AdaBoost. En este artículo, analizamos las capacidades de generalización de seis variantes de AdaBoost en términos de márgenes de clasificación. Las seis variantes comparadas son Real AdaBoost, Gentle AdaBoost, Modest AdaBoost, Parameterized AdaBoost, Margin-pruning Boost y Penalized AdaBoost. Por último, utilizamos experimentos para verificar nuestros análisis.

• Materias:Ingeniería electrónica Comunicaciones Ópticas Redes Inalámbricas Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Optical communications Wireless Networks Signal processing computer-assisted Data processing
• Palabras claves:diferentes variantes de adaboost, adaboost, variantes de adaboost, capacidad de generalización, método de aprendizaje automático, diversas variantes de adaboost, experimentos, aumentos de adaboost, adaboost suave, adaboost modesto
• Keywords:different adaboost variants, adaboost, adaboost variants, generalization abilities, machine learning method, various adaboost variants, experiments, adaboost increases, gentle adaboost, modest adaboost