✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
更多Matlab仿真内容点击👇
⛄ 内容介绍
分类是数据挖掘研究范畴中为了解决分类问题而提出的方法,同时它也是一种重要的分析数据的技术.作为一种有效的科学研究工具,组合分类器在医疗诊断,手写体识别,人脸识别,推荐系统等领域有着广泛的应用.
⛄ 部分代码
% Example for adaboost.m
%
% Type "edit adaboost.m" to see the code
% Make training data of two classes "red" and "blue"
% with 2 features for each sample (the position x and y).
angle=rand(200,1)*2*pi; l=rand(200,1)*40+30; blue=[sin(angle).*l cos(angle).*l];
angle=rand(200,1)*2*pi; l=rand(200,1)*40; red=[sin(angle).*l cos(angle).*l];
% All the training data
datafeatures=[blue;red];
dataclass(1:200)=-1; dataclass(201:400)=1;
% Show the data
figure, subplot(2,2,1), hold on; axis equal;
plot(blue(:,1),blue(:,2),'b.'); plot(red(:,1),red(:,2),'r.');
title('Training Data');
% Use Adaboost to make a classifier
[classestimate,model]=adaboost('train',datafeatures,dataclass,50);
% Training results
% Show results
blue=datafeatures(classestimate==-1,:); red=datafeatures(classestimate==1,:);
I=zeros(161,161);
for i=1:length(model)
if(model(i).dimension==1)
if(model(i).direction==1), rec=[-80 -80 80+model(i).threshold 160];
else rec=[model(i).threshold -80 80-model(i).threshold 160 ];
end
else
if(model(i).direction==1), rec=[-80 -80 160 80+model(i).threshold];
else rec=[-80 model(i).threshold 160 80-model(i).threshold];
end
end
rec=round(rec);
y=rec(1)+81:rec(1)+81+rec(3); x=rec(2)+81:rec(2)+81+rec(4);
I=I-model(i).alpha; I(x,y)=I(x,y)+2*model(i).alpha;
end
subplot(2,2,2), imshow(I,[]); colorbar; axis xy;
colormap('jet'), hold on
plot(blue(:,1)+81,blue(:,2)+81,'bo');
plot(red(:,1)+81,red(:,2)+81,'ro');
title('Training Data classified with adaboost model');
% Show the error verus number of weak classifiers
error=zeros(1,length(model)); for i=1:length(model), error(i)=model(i).error; end
subplot(2,2,3), plot(error); title('Classification error versus number of weak classifiers');
% Make some test data
angle=rand(200,1)*2*pi; l=rand(200,1)*70; testdata=[sin(angle).*l cos(angle).*l];
% Classify the testdata with the trained model
testclass=adaboost('apply',testdata,model);
% Show result
blue=testdata(testclass==-1,:); red=testdata(testclass==1,:);
% Show the data
subplot(2,2,4), hold on
plot(blue(:,1),blue(:,2),'b*');
plot(red(:,1),red(:,2),'r*');
axis equal;
title('Test Data classified with adaboost model');
⛄ 运行结果
⛄ 参考文献
[1] 董庆伟. 基于Adaboost算法的不平衡数据集分类效果研究[J]. 长春师范大学学报, 2022, 41(6):4.
[2] 黄道, 何晋, 刘志愿,等. 分类算法adaboostM1和multiboostAB对草药数据分类的比较[J]. 中国新通信, 2014, 16(6):1.
[3] 胡燕祝, 王松. 一种基于AdaBoost算法的感知器网络数据分类方法:, CN109726767A[P]. 2019.
