“弱学习者”是什么意思？

谁能告诉我“弱学习者”是什么意思？它应该是一个弱假设吗？我对学习能力弱和分类能力弱的关系感到困惑。两者相同还是有所不同？

在adaboost算法中，T=10。那是什么意思？我们为什么选择T=10？

一个“弱”的学习者（分类器，预测器等）只是表现相对较差的一个学习器，它的准确性高于偶然性，但几乎没有。通常但并非总是如此，这意味着计算简单。弱学习者还建议将算法的许多实例（通过增强，装袋等）合并在一起，以创建“强”集成分类器。

在Freund＆Schapire的原始AdaBoost论文中提到了这一点：

在这些应用程序中，最令人惊讶的也许是新的“增强”应用程序的派生，即将性能稍好于随机猜测的“弱” PAC学习算法转换为任意高精度。- （Freund＆Schapire，1995）

但我认为这个词实际上比这更老了-我见过人们引用1980年代迈克尔·凯恩斯（Michael Kearns）的学期论文（？！）

弱学习者的经典示例是决策树桩，即一个决策树（1R或OneR是另一种常用的弱学习者；它非常相似）。将SVM称为“弱学习者”，即使在它表现不佳的情况下也有些奇怪，但是将单个决策树桩称为弱学习者是完全合理的，即使它本身表现出奇的好。

我不确定有什么神奇之处。在1995年的论文中，T是作为自由参数给出的（即，您可以自行设置）。$T=10$$T$

弱学习者是一个学习者，当它尝试标记数据时，无论训练数据上的分布是什么，总会比偶然更好。胜于偶然意味着我们总是会得到小于1/2的错误率。

这意味着学习者算法总是要学习一些东西，而不是总是完全准确的，即，在学习之间的关系时，它是薄弱的和较差的。$X$ （输入）和 $Y$ （目标）。

但是随之而来的是Boosting，我们首先查看训练数据并生成一些分布，然后找到一些错误率低的弱学习者（分类器），每个学习者都输出一些假设，$H_x$。这会产生一些$Y$（类别标签），最后结合好假设集以生成最终假设。

最终提高了弱者的学习能力，并将他们转变为强者。

有关更多信息：https : //youtu.be/zUXJb1hdU0k。

弱学习者与弱分类器或弱预测器相同。这个想法是，您使用的分类器是……很好，但是至少比随机分类器好。好处是分类器在过度拟合方面将很强大。当然，您不仅仅使用其中的一个，而是使用大量的集合，每个集合都比随机使用的集合略好。选择/组合它们的确切方法取决于方法/算法，例如AdaBoost。

在实践中，作为弱分类器，您对单个功能使用了简单的阈值。如果特征高于阈值，则您可以预测它属于正值，否则可以确定它属于负值。由于没有上下文，因此不确定T = 10，但是我可以假定这是阈值化某些特征的示例。