分類算法adaboostM1和multiboostAB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multiboostAB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

以往對于中草藥的分類一般都是采用傳統的單分類算法，如最近鄰分類算法、神經網絡算法等，本實驗研究的是把組合分類器算法應用于中草藥數據的分類中，使用了目前比較流行的adaboostM1算法，與該算法進行比較的也是一種元學習算法，該算法為multiboostAB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

AdaBoost 算法的基本思想可以概括為：

（1）對實驗中的每個樣本 X都賦予一個權重W。

（2）對輸入的訓練數據進行K次迭代學習。每次迭代后，對其中分類錯誤的樣本進行加大權重修改，使得下次進行迭代時把重點放在這些樣本上。

（3）同時對于算法中的每個弱分類器都有一個原始的權重α，隨著迭代的進行，每個弱分類器的權重進行修改，其中正確率高的分類器權重也相對高。

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數據集采用5重交叉驗證，實驗得出的分類精度體現為分類性能，分類精度越高表示分類效果越好。

multiboostAB的參數設置如下：

基分類器為decisionstump，numiteration是10，numsubcmtys為3，seed為1，weightThreshold為100，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，在實驗的中草藥數據集中，AdaBoostM1算法的分類精度大于multiboostAB算法的分類精度。

五、結論

綜上所述，在中草藥分類領域，在與multiboostAB算法比較下，可以利用AdaBoostM1算法來提高傳統分類器算法的分類精度，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] Witten，1.H.and Frank，E.Data Mining practical machine leaning tool sand techniques，second edition. 北京，機械工業出版社，2006