这篇论文讲述了基于haar特征的adaboost算法，具体介绍实现人脸检测的过程

说明文档内容： 第一章 概述：1）研究背景和现状；2）情感分析的概念 第二章 微博的获取与清理：1）微博的反爬虫机制；2）微博的获取；3）微博的分词与降噪 第三章 SVM初步分类：1）svc；2）实验 第四章 利用贝叶斯定理进行情感分析 第五章 利用AdaBoost加强分类器 第六章 总结与展望

BP神经网络可以解决地表沉陷等非线性关系问题，为了更精确地进行地表沉陷变形预测，引入Adaboost算法对BP神经网络进行改进，并运用Matlab R2014a建立基于Adaboost的BP神经网络地表沉陷预测模型。首先通过BP神经网络进行训练、测试，经过多次迭代，将每个BP神经网络作为一个弱预测器加权组合，形成强预测器，并首次对青岛地铁3号线保河区间隧道进行地表下沉值预测。预测结果表明：Adaboost的BP神经网络预测下沉值的平均绝对误差为0.585 3 mm，平均相对误差为5.82%，与BP神经网络预测相比，绝对误差降低了2.594 7 mm，相对误差降低了27.46%，由此表明Adaboost的BP神经网络适用于地表沉陷预测，且预测精度更高。

Adaboost算法的人脸检测(有论文)_人脸识别_OPENCV_C++

AdaBoost算法在人脸识别中的应用.rar

模式识别和机器学习实战- 集成学习- Python实现 - AdaBoost算法 适用于刚刚开始学习机器学习的小伙伴进行的上机实践，本次压缩包的内容是集成学习的AdaBoost算法的代码以及数据集。

计算机视觉-Adaboost算法MATLAB源码 Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器（强分类器）。 Boosting，也称为增强学习或提升法，是一种重要的集成学习技术，能够将预测精度仅比随机猜度略高的弱学习器增强为预测精度高的强学习器，这在直接构造强学习器非常困难的情况下，为学习算法的设计提供了一种有效的新思路和新方法。作为一种元算法框架，Boosting几乎可以应用于所有目前流行的机器学习算法以进一步加强原算法的预测精度，应用十分广泛，产生了极大的影响。 而AdaBoost正是其中最成功的代表，被评为数据挖掘十大算法之一。在AdaBoost提出至今的十几年间，机器学习领域的诸多知名学者不断投入到算法相关理论的研究中去，扎实的理论为AdaBoost算法的成功应用打下了坚实的基础。AdaBoost的成功不仅仅在于它是一种有效的学习算法，还在于 1)它让Boosting从最初的猜想变成一种真正具有实用价值的算法； 2)算法采用的一些技巧，如:打破原有样本分布，也为其他统计学

毕业设计论文范文源码 Face-Detection 本科毕业设计 基于Haar特征与AdaBoost算法的人脸检测的实现 ======================================== 本项目源代码遵循GPL授权许可，你可以修改并免费使用，但请保留本项目作者信息，谢谢。 论文引用格式（文章为本科毕业论文）： 贾震. 基于Haar特征与AdaBoost算法的人脸检测研究与实现[D]. 曲阜师范大学, 2016. ------博客地址------ Coding Home - 漂流瓶jz CSDN博客 新浪博客 ======================================== main.m 为主函数 里面包含训练和检测的主要操作说明和用法。 ======================================== 实验过程： 实验结果; ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸

代码中包含训练，测试，数据，demo演示等程序，非常值得初学者学习。

一种基于指数损失函数的多类分类AdaBoost算法及其应用.pdf