分類算法adaboostM1和filteredclassifier對草藥數據分類的比較

【摘要】 討論了在中草藥數據分類應用中兩種分類器算法filteredclassifier和adaboostM1的分類性能的問題，在weka平臺上實驗可知，這兩種分類器算法中adaboostM1的分類精度比較高。

【關鍵詞】 中草藥 AdaBoostM1 weka

一、概述

傳統(tǒng)的單分類器算法在草藥數據的分類應用是以前比較流行的方法，但隨著研究的深入，研究人員發(fā)現單分類器對不同的數據有不同的偏向性，無法滿足同時對不同數據的分類需求，adaboostM1是一種組合分類器算法，該算法用組合的思想來彌補單分類器算法的不足，filteredclassifier分類器算法是在WEKA平臺上的一種傳統(tǒng)的單分類器算法。本文首先在weka平臺上用兩種分類器算法對草藥數據集進行分類，然后再對這兩種算法的分類精度進行對比，實驗表明：在實驗數據集為輸入樣本集的情況下，AdaboostM1算法的分類精度比較高。

二、AdaBoost 算法介紹

1988 年，Kearns 等在研究 PAC 學習模型時提出了一個有趣的問題：弱可學習是否等價于強可學習，即 Boosting 問題，如果這一問題有肯定的回答，意味著只要找到比隨機猜測略好的弱學習算法，就可以將其提升為強學習算法，而不必直接去尋找通常情況下很難獲得的強學習算法，這對學習算法的設計有著重要的意義。在更深入的研究中，Freund 等發(fā)現：在線分配問題與 Boosting 問題之間存在著很強的相似性，引入在線分配算法的設計思想，有助于設計出更實用的 Boosting 算法，他們將加權投票的相關研究成果與在線分配問題結合，并在 Boosting 問題框架下進行對應推廣，得到了著名的 AdaBoost算法，該算法不再要求預知弱學習算法的任何先驗知識，在實踐中獲得了極大的成功[1]。

三、在Weka上用AdaBoost算法及幾種單分類算法對草藥數據進行分類

本文所進行的實驗在Weka3-7-1平臺上完成，用三種草藥三七、人參、西洋參的指紋圖譜數據作為實驗的數據集。本實驗采用的方法是對輸入數據集采用5重交叉驗證，取其分類精度為的分類性能，分類精度越高表示分類效果越好。

filteredclassifier的參數設置如下：

Filter為discretize，基分類器為decisionstump，其他的為默認參數設置。

AdaboostM1的參數設置如下：

基分類器為decisionstump，numiteration為10，seed為1，weightThresold為100。

之后執(zhí)行RUN界面的START指令，再進入ANALYSE界面載入文件選擇分析分類精度，可得到這些算法的平均分類精度如表1所示。

四、實驗結果與分析

從表1可以看出，對實驗輸入的中草藥數據集分類中，AdaBoostM1算法的分類精度大于classificationviaregression算法的分類精度。

五、結論

綜上所述，在中草藥分類領域，在與classificaitnoviaregression算法比較下，可以用AdaBoostM1算法來提高傳統(tǒng)單分類器算法的分類性能，從而給了我們一個啟發(fā)，即可以使用AdaBoostM1算法來進行草藥數據集的分類以達到高的精度。

參 考 文 獻

[1] 曹瑩，苗啟廣，劉家辰，高琳. AdaBoost算法研究進展與展望[J]. 自動化學報，2013，06：745-758