印度经济严重依赖农业。 农业是绝大多数人工资的基本来源。 因此，农业学家一直对产量产生好奇。 为了提高产量，许多元素都能够发挥作用，例如土壤、气候、雨水、肥料和杀虫剂。 目前，数据挖掘已成为农业的关键部分。 农业大学可以获取的大量信息大部分仅限于实验室和研究重点。 有必要将这些巨大的信息转化为进步，并使农业学家可以访问它们。 这可以通过信息挖掘来想象。 利用 AdaBoost 和 Bagging 计算的土壤丰收率顺序。 AdaBoost 计算比装袋计算更可取。 AdaBoost 方法可帮助农业学家和酋长确定土壤丰富度，并根据土壤标本中发现的补充剂可以规定多种堆肥。

前面博客分享，我们已经讲解了不少分类算法，有knn、决策树、朴素贝叶斯、逻辑回归、svm。我们知道，当坐重要决定时，大家可能都会考虑吸取多个专家而不是一个人的意见。机器学习处理问题时同样如此。集成学习（ensemblelearning)通过构建并结合多个学习器来完成学习任务，有时被称为多分类器学习系统、基于委员会的学习等。下图显示出集成学习的一般结构：先产生一组“个体学习器”，再用某种策略将它们结合起来。我们前面已经分享了五种不同的分类算法，我们可以将其用不同的分类器组合起来，这种组合结果则被称为集成方法或者元算法。使用集成方法时会有多种形式：1.集成中只包含同种类型的个体学习器，这种个体学习

使用R的集成方法 ######我已经完成了关于集成方法的个人项目（论文）。 首先，我对不同的集成方法进行了背景研究，然后在基础机器学习算法上实现了Boosting，AdaBoost，Bagging和随机森林技术。 我使用了提升方法来提高弱小的学习者（如决策树桩）的性能。 为决策树（包括回归和分类问题）和KNN分类器实施装袋。 将随机森林用作分类树。 我已经在使用不同阈值的逻辑回归算法上实现了一种特殊的增强算法，称为“ AdaBoost”。 然后绘制不同的图形，例如错误率与增强，装袋和随机森林迭代的关系。 比较装袋与提振的结果。 在应用集成方法之前和应用集成方法之后，分析了分类器的性能。 使用了诸如交叉验证，MSE，PRSS，ROC曲线，混淆矩阵和袋外误差估计之类的不同模型评估技术来评估集成技术的性能。

MATLAB人脸识别 ，带界面 GUI，方法adaboost。 人脸识别所用方法可以是PCA,KPCA,LDA,adaboost等。非中介，大家可以顺着GUI框架去实现。

Viola-Jones检测框架 这是Viola-Jones检测框架的实现，用于人脸检测。 要求 Viola-Jones Framework的此实现需要python版本3.5.2，并取决于以下模块： 模块 版本 评论 麻木 1.13.3 科学的 1.0.0 的OpenCVPython的 3.4.0.14 用于捕获图像 scikit学习 0.19.1 用于改组数据 用法 运行以下命令以开始人脸检测： python detect.py 主要概念 类似Haar的功能 Viola和Jones提出了类似Haar的特征，以适应使用Haar小波的想法（来自Papageoriou等人）。 在此工具中，使用了五种类似Haar的特征。 它们是：左右，上下，水平居中，垂直居中，对角线。 整体形象 为了加快特征提取过程，使用了称为积分图像的图像中间表示。 AdaBoost AdaBoost是Adap

adaboost算法原理 adaboost算法原理 adaboost算法原理

使用python实现adaboost算法实现过程，对于理解adaboost算法有很好的帮助

研究的是基于Android平台人脸识别算法的应用，针对人脸识别方法进行研究，以提高识别的准确率和速度为目的，选用Haar特征提取的方法作为人脸检测的主要方法，选用Adaboost算法作为人脸识别的主要算法。在研究过程中出现的难点有人脸的检测受到外界影响，人脸的检测误差率较大，采用增加分类器将多个弱分类器级联为强分类器以优化算法，本设计已经测试在Android手机上测试成功，同一人不同脸的近似度在90%左右。

针对传统的Adaboost 训练算法在训练过程中可能出现训练退化和训练目标类权重分布 过适应的问题，提出一种改进的Adaboost 训练算法． 改进算法通过调整加权误差分布限制目 标类权重的扩张，并且最终分类器输出形式以概率值输出代替传统的离散值输出，提高了训 练结果的检测率． 实验结果表明，改进的Adaboost 算法在Inria 数据集上取得了较好效果．

adaboost 的demo程序，其中使用的弱分类器有naive bayes, knn与lda,网络上有许多此程序的代码，但其中存在错误，我把其中明显的错误给修正了过来，添加了demo文件，现在可以直接运行demo.另外我在其中还做了大量的注释，可以比较方便阅读，不过需要注意的是，我觉得原作者给出的代码中对于lda与adaboost的算法与标准的算法有差异，大家下载阅读时需要引起注意。