%0 Journal Article
%T 基于指数损失和0-1损失的在线Boosting算法
%A 侯杰
%A 茅耀斌
%A 孙金生
%J 自动化学报
%P 635-642
%D 2014
%R 10.3724/SP.J.1004.2014.00635
%X ？推导了使用指数损失函数和0-1损失函数的Boosting算法的严格在线形式，证明这两种在线Boosting算法最大化样本间隔期望、最小化样本间隔方差.通过增量估计样本间隔的期望和方差，Boosting算法可应用于在线学习问题而不损失分类准确性.UCI数据集上的实验表明，指数损失在线Boosting算法的分类准确性与批量自适应Boosting（AdaBoost）算法接近，远优于传统的在线Boosting；0-1损失在线Boosting算法分别最小化正负样本误差，适用于不平衡数据问题，并且在噪声数据上分类性能更为稳定.
%K AdaBoost
%K 在线学习
%K 特征选择
%K 不平衡数据
%U http://www.aas.net.cn/CN/abstract/abstract18329.shtml