更改论文标题的中文含义：基于提升和决策树桩的信号预测。论文下载
Shi L，Duan Q，Dong P等。信号预测增强和决策树桩[J]。国际计算科学与工程杂志，2018年，第16卷（2）：117-122。
尽管该期刊不包括SCI/SCIE，但CitesCore相对较低，但是引入Adaboost算法和决策残势本身非常完整，并且有相应的实验需要验证，这是基础知识学习的更好日记。
我想出本文的目的是了解本文的一般思想，重现增强和决策残端的算法，然后在其文本中使用数据集进行验证，但是经过验证的算法只是决策stump和busosting和决策残端，其他比较算法未验证。
决策树桩也称为决策树的第一层，它主要基于实例的特征对实例进行分类。升压方法是强大的集成方法。通过整合多个决策残端（弱分类器），它可以显着提高实例的预测性能。该期刊结合了增强算法和决策树桩算法来分析和预测信号数据。对决策树桩的介绍：原理和代码的装饰树桩的实施该数据集使用UCI数据集存储存储库中的信号数据集，即声纳数据集和数据集下载频道。
算法流程图和示意图：
您需要在此处遵循几点：
算法的重新出现和代码：频道。
数据集显示：X数据集：208*60，60二维变量。
Y数据集：208*1。
预测准确性为76％，然后显示基于Boostin和决策树桩算法的准确性：准确性：
当弱分类器为76％时，预测准确性为76％，这与决策残端一致；当10个弱分类器以及100％弱分类器的预测准确性时，预测预测的准确性为88％。
我只显示了帐户，我觉得问题可以解释，并且没有变量可以计算出其他测量算法。文章中有3个变量。我来给你展示：
总的来说，本文非常简单，但是对您了解adaboost是一件好事。尽管它与Adaboost不同，但我主要认为它在此处使用索引损失函数的方法。适用于在某个环境中的模式识别任务。
原始：https：//juejin.cn/post/709714784322613261