- 综合排序
- 最热优先
- 最新优先
- 来自专栏常用算法专栏
强化学习算法解析：AdaBoost（自适应提升）算法
关键词：机器学习、AdaBoost算法、自适应提升、弱分类器、指数损失、Boosting、PythonAdaBoost、JavaWekaAdaBoostM1、决策桩、集成学习。 所有样本权重相等迭代训练：用当前权重训练一个弱分类器（如决策桩）增加错分样本权重，减少正确样本权重加权集成：按分类器准确率赋予投票权重，最终多数加权投票精髓：“让后来者专门纠正前人的错误”——这就是“自适应 算法与数学底层系列」在AI大模型飞速发展的今天，一切智能的本质，最终都落脚于数学与算法。 让我们一起，从算法底层看懂AI，用数学逻辑支撑工程落地。 专栏主页：https://cloud.tencent.com/developer/column/107299关于作者：深耕算法，专注硬核落地本文作者专注大模型底层算法、数据科学与工程落地，坚持“原理手推
21210编辑于 2026-03-30 - 来自专栏红色石头的机器学习之路
通俗易懂讲解自适应提升算法AdaBoost
接下来的内容，我们将对上面的第二个问题进行探讨，研究一种算法，将所有的gt进行linear组合。 这种算法使最终求得g(t+1)的时候，所有gt的线性组合系数α也求得了，不用再重新计算α了。 这种算法被称为Adaptive Boosting。 其实，这种性质也正是AdaBoost算法的精髓所在。 如果我们再使用AdaBoost算法，通过decision stump来做切割。在迭代切割100次后，得到的分界线如下所示。
1K10编辑于 2022-01-12 - 来自专栏下落木
自适应提升(AdaBoost)笔记
AdaBoost算法基本原理就是将多个弱分类器（弱分类器一般选用单层决策树）进行合理的结合，使其成为一个强分类器。 注意： 1. 挑一个或几个特征构成弱分类器 2. 有放回的采样 算法流程： Wm+1,i为什么要乘以后面的？ 1. 当判断正确的时候，yi和Gm(xi)同号，yiGm(xi)>0，-αmyiGm(xi)<0，e...<1，使概率变小； 2.
30620发布于 2021-10-13 - 来自专栏全栈程序员必看
自适应算法应用实例_LMS自适应算法应用实物
文章目录 一、理论基础 1、蝴蝶优化算法 2、改进的蝴蝶优化算法 （1）柯西变异 （2）自适应权重 （3）动态切换概率策略 （4）算法描述 二、函数测试与结果分析 三、参考文献 一、理论基础 首先通过引入柯西分布函数的方法对全局搜索的蝴蝶位置信息进行变异，提高蝴蝶的全局搜索能力；其次通过引入自适应权重因子来提高蝴蝶的局部搜索能力；最后采用动态切换概率 p p p平衡算法局部搜索和全局搜索的比重 ，提升了算法的寻优性能。 CWBOA的具体执行步骤如下： 图1 改进算法的流程图 二、函数测试与结果分析 本文选取了基于柯西变异和动态自适应权重的蝴蝶优化算法(CWBOA) 、基本蝴蝶算法 (BOA)、鲸鱼算法(WOA 柯西变异和自适应权重优化的蝴蝶算法[J]. 计算机工程与应用, 2020, 56(15): 43-50. 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
2.5K20编辑于 2022-11-08 - 来自专栏全栈程序员必看
自适应滤波算法综述
我要讲的几种方法 绪论 自适应滤波的基本原理 自适应滤波算法 自适应滤波算法种类 最小均方误差算法（LMS） 递推最小二乘算法（RLS） 变换域自适应滤波算法 仿射投影算法 其他 自适应滤波算法性能评价 自适应滤波一般包括3个模块：滤波结构、性能判据和自适应算法。其中，自适应滤波算法的研究是自适应信号处理中最为活跃的研究课题之一，包括线性自适应算法和非线性自适应算法。 非线性自适应算法具有更强的信号处理能力，但计算比较复杂，实际应用最多的仍然是线性自适应算法。 自适应滤波的基本原理 自适应滤波算法 自适应滤波算法种类 最小均方误差算法（LMS） 由Widrow和Hoff提出的最小均方误差(LMS)算法，因其具有计算量小、易于实现等优点而在实践中被广泛采用。 自适应滤波算法性能评价 下面对各种类型的自适应滤波算法进行简单的总结分析。
8.4K32编辑于 2022-07-01 - 来自专栏计算机视觉理论及其实现
自适应学习率算法
最近，提出了一些增量(或者基于小批量)的算法来自适应模型参数的学习率。1、AdaGradAdaGrad算法，独立地使用所有模型参数的学习率，缩放每个参数反比于其所有梯度历史平方值总和的平方根。 它就像一个初始化与该碗状结构的AdaGrad算法实例。RMSProp的标准如下所示，结合Nesterov动量的形式如下下一个算法所示。 ，目前它是深度学习从业者经常采用的优化算法之一。 4、选择正确的优化算法目前，最流行的算法并且使用很高的优化算法包括SGD、具动量的SGD、RMSProp、具动量的RMSProp、AdaDelta和Adam。 此时，选择哪一个算法似乎主要取决于使用者对算法的熟悉程度(以便调剂超参数)。
5.9K20编辑于 2022-09-04 - 来自专栏音视频技术
Netflix：通过自适应音频码率提升音频体验
自适应音频码率可以提升用户的主观体验，并且不会降低视频观看体验。本文来自Netflix科技博客，详细阐述了自适应音频带来的好处以及如何处理各种难点。 事实上，Netflix已经引领推动大部分对话的视频技术，从4K和HDR等视觉质量提升，到能够让每个人都更好地体验流媒体体验的幕后技术，如自适应流媒体、基于复杂性的编码和AV1 。 在上面的第一个会话中，用于视频的自适应流式传输算法已经对吞吐量下降做出反应，并且能够通过降低视频比特率来快速稳定音频和视频缓冲器级别。 一旦我们知道大多数电视设备都可以实现音频的自适应流媒体，我们在设计算法时必须考虑到以下问题： 我们如何保证在不降低视频质量的情况下提高音频主观质量，反之亦然？ 我们如何保证该算法能够自如地处理具有不同性能特征的设备？ 我们通过实验回答了这些问题，这些实验对音频算法的自适应流进行微调，以便在不降低视频体验的情况下提高音频质量。
2.1K31发布于 2019-07-01 - 来自专栏SIGAI学习与实践平台
理解梯度提升算法1-梯度提升算法
同属提升算法（boosting）家族。 梯度提升树的改进型算法如XGBoost、lightBGM在数据挖掘领域得到了成功的应用，是各种算法比赛中常用的算法。 这里的学习率是人工设定的常数，最速下降法对梯度下降法的改进是学习率ρ是由算法确定的，自适应变化，如果令梯度为 ? 则步长为下面一元函数优化问题的解 ? 这称为直线搜索，它沿着最速下降方向搜索最佳步长。 梯度提升算法框架 在AdaBoost算法中，求解指数损失函数的加法模型时采用的是分阶段、逐步优化的策略。依次训练每一个弱学习器，然后将它加入到已经得到的强学习器中。 将梯度提升框架用各种不同的损失函数，得到各种具体的梯度提升算法，解决分类和回归问题。如果弱学习器是决策树，则为梯度提升树。这些具体的算法将在下一篇文章中讲述。
2.2K40发布于 2018-12-28 自适应滤波算法（二）：维纳滤波
前面我们介绍了匹配滤波器，本文将介绍维纳滤波器。首先我们回顾了维纳滤波的主人公Norbert Wiener，然后描述了维纳滤波的基本原理和推导，最后给出一个简单的维纳滤波应用。
18610编辑于 2026-03-23- 来自专栏mythsman的个人博客
自适应阈值分割的Bersen算法
** 示例 ** 很明显，如果直接拿这种图去跑机器学习算法的话肯定准确率不高，必然需要进行灰度或者二值化。当然，二值化是比较好的选择。 但是由于灰度分布是不均匀的，如果采用类似OTSU的全局阈值显然会造成分割不准，而局部阈值分割的Bersen算法则非常适合处理这种情况。 OTSU算法得到的图像： import cv2 from pylab import * im=cv2.imread('source.png',cv2.IMREAD_GRAYSCALE) cv2.imwrite 原始的Bersen算法很简单，对于每一个像素点，以他为中心，取一个长宽均为((2w+1)^2)的核；对于这个核，取当中的极大值和极小值的平均值作为阈值，对该像素点进行二值化。 实现效果 算法比较简单，而且OpenCV里直接给了个函数调用，方便省事。
2.2K30编辑于 2022-11-14 - 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
Wellner 自适应阈值二值化算法
本文描述了已经开发的不同的算法来阈值一副图像，然后提出了一种比较合适的算法。这个算法（这里我们称之为快速自适应阈值法）可能不是最合适的。但是他对我们所描述的问题处理的相当好。 三 自适应阈值 一个理想的自适应阈值算法应该能够对光照不均匀的图像产生类似上述全局阈值算法对光照均匀图像产生的效果一样好。 以下部分提出了不同的自适应阈值算法已经他们产生的结果。 四、基于Wall算法的自适应阈值 R. J. Wall开发的根据背景亮度动态计算阈值的算法描述可见《Castleman, K. 图 7 五、快速自适应阈值 文献中记载的大部分算法都比Wall算法更为复杂，因此需要更多的运行时间。 开发一个简单的更快的自适应阈值算法是可行的，因此这接我们介绍下相关的理论。 算法基本的细想就是遍历图像，计算一个移动的平均值。
4.5K31发布于 2019-09-11 - 来自专栏常用算法专栏
自适应梯度算法AdaGrad（Adaptive Gradient Algorithm）
起源： AdaGrad（Adaptive Gradient Algorithm）起源于对深度学习训练过程中学习率自适应调整的需求。 定义： AdaGrad是一种自适应学习率的梯度下降优化算法。它通过累积参数梯度的历史信息来为每个参数自适应地调整学习率。 原理： 初始化：设置初始学习率。 优点： 自适应学习率：AdaGrad能够根据参数的历史梯度信息为每个参数自适应地调整学习率，有助于在训练过程中更高效地优化模型。 适应场景： AdaGrad适用于数据分布稀疏的场景，能够更好地利用稀疏梯度的信息，比标准的SGD算法更有效地收敛。
1.1K10编辑于 2025-04-05 - 来自专栏生信小驿站
R 梯度提升算法①
用gbm包实现随机梯度提升算法 自适应提升方法AdaBoost 它是一种传统而重要的Boost算法，在学习时为每一个样本赋上一个权重，初始时各样本权重一样。 梯度提升方法Gradient Boosting 梯度提升算法初看起来不是很好理解，但我们和线性回归加以类比就容易了。回忆一下线性回归是希望找到一组参数使得残差最小化。
74030发布于 2018-08-27 - 来自专栏人工智能与演化计算成长与进阶
论文研读-多目标自适应memetic算法
因此合理组合这些算法是一种比较好的提升搜索能力的方式，基于这个想法，这篇文章提出了组合了GA，DE和EDA的一种自适应的memetic 算法。 将自适应memetic的算法融入得到支配和分解的算法中 在38个benchmark中进行 两个议题 如何根据适应度景观或者问题特征自适应交换信息--如果一个优化器探测到一个有希望的区域，则更多的利用这个优化器优化区域周围的信息 本文贡献 设计了一种自适应模因计算方法用于多目标优化。虽然本文提出的自适应原理与AMALGAM[16]和Borg MOEA[17]有相似的概念，但两种算法都缺少一种渐进控制范式。 考虑了自适应模因计算中的多种全局和一种局部搜索算法。AMALGAM和Borg MOEA都不涉及任何局部搜索算法。此外，还在算法中实现了不同的优化器。 实现了基于支配和分解两种框架中的算法。 提出的算法 将自适应memetic算法分别应用到支配和分解两种框架中--分别提出mNSEA和mMOEA/D 初始化阶段，每个优化算子都有相同的概率生成初始解 较优秀的解会被选出并存进存档中 在子代解生成之前
2.7K30发布于 2020-08-14 - 来自专栏张俊红
提升方法-Adaboost算法
总第85篇 01|基本概念： 提升方法的基本思想：对于任何一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比任何一个专家单独的判断好。 先来看两个概念：强可学习和弱可学习。 弱可学习与强可学习之间是有一定的差距，如果已经发现弱可学习算法，那么能否将它提到强可学习算法，这里的如何提升就是提升方法需要解决的问题。最具代表性的就是AdaBoost算法。 提升方法就是从弱学习算法，反复学习，得到一系列分类器（又称为基本分类器），然后组合这些弱分类器，构成一个强分类器。 大多数的提升方法都是改变训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习一系列弱分类器。 这样，对于提升方法来说，有两个问题需要解决：一是在每一轮如何改变训练数据的权值或概率分布；二是如何将弱分类器组成一个强分类器。
1.1K40发布于 2018-04-11 - 来自专栏香菜聊游戏
学习算法，提升内功，
一个人刷题有点寂寞，因此写下这篇leetcode 入门文章，一起刷题，一起学习算法，三人行必有我师。 leetcode 是一个算法测试网站，就是一个题库，可以验证自己写的算法是否正确。 提高自己的算法能力，遇到不会的可以一起和别人商量，每个题目都有官方的讲解，是学习算法的好地方。 下面开始进入正题，怎么在上面刷题呐？ 因为想要快速复习一下基本的算法，所以选择右侧的HOT100，进入到专题系列。 ? LeetCode让你专注于算法的实现。 ? 4.2 测试自己的代码。 ? 算法 是程序员的内功，不是一蹴而就的，慢慢的去体会，去做题，才能掌握算法，静下心来，去做就好了。但行好事，莫问前程。 原创不易，求关注点赞，谢谢。
47130发布于 2021-05-26 - 来自专栏MCP
MCP智能负载均衡：自适应路由算法实践
、核心技术架构MCP 智能负载均衡系统采用分层架构设计，主要包含以下几个关键模块：服务发现模块：实时感知服务实例的上线、下线和健康状态变化智能路由引擎：基于多维度指标的自适应路由算法流量控制模块：实现精准的流量限速和熔断功能监控与日志系统 2.2 模块功能详解模块名称功能描述关键指标服务发现实时感知实例状态服务实例数量、健康状态智能路由多维度流量分配响应时间、成功率流量控制限速与熔断QPS、错误率监控日志系统状态可视化CPU、内存使用率三、自适应路由算法实践 MCP 系统的核心竞争力在于其自适应路由算法。 该算法综合考虑以下因素：实例负载（CPU、内存使用率）网络延迟与带宽服务实例健康评分请求类型与优先级业务自定义权重3.1 算法原理自适应路由算法采用加权轮询与最小连接数相结合的策略，并引入动态权重调整机制 智能负载均衡系统已在以下场景中得到成功应用：金融交易系统：在高峰期支持每秒 3 万笔交易，响应时间降低 42%用户认证服务：实现 99.999% 的服务可用性，零故障转移时间内容分发网络：根据地理位置和网络条件智能路由，提升用户体验大数据处理平台
65500编辑于 2025-04-26 - 来自专栏集智书童
SimD：自适应相似度距离策略提升微小目标检测性能 ！
这个提出的策略不仅考虑了位置和形状的相似性，还自适应地学习超参数，确保它能够适应不同数据集和同一数据集中的各种物体大小。 这类算法包括R-CNN[6]、Fast R-CNN[7]和Faster R-CNN[8]。单阶段检测器的结构更简单，它们可以直接从输入图像输出物体的坐标和类别。 NWD和RFLA不是自适应的，因为它们分别需要设置超参数和。遵循现有方法，作者考虑提出一个无需任何超参数的自适应方法。 实验结果表明，归一化操作实现了3.5个点的改进，这主要得益于其能够适应数据集中不同大小的目标，并且归一化参数、可以根据不同的数据集自适应调整。 尽管作者提出的SimD指标是自适应的，但它也基于具有固定阈值的现有标签分配策略。 在未来，作者旨在进一步提高微小目标检测的标签分配的有效性。
1.3K10编辑于 2024-07-12 自适应集群协作提升大语言模型医疗决策支持能力
为此，提出一种自适应集群协作方法，结合自多样性和跨一致性最大化机制： 自多样性：通过计算单个LLM内部成对输出的模糊匹配值作为其自多样性指标，以无训练方式优先选择高自多样性值的LLM作为集群组件； 核心方法自多样性筛选： 基于模糊匹配算法量化LLM输出的内部差异性； 构建高多样性模型集群，减少冗余计算。 跨一致性优化： 动态评估集群成员间的输出一致性； 通过迭代屏蔽低一致性节点提升整体协作效率。 实验结果数据集：NEJMQA（临床问答）、MMLU-Pro-health（多学科医学评估）； 基线对比：超越某机构GPT-4、某中心PaLM等主流模型； 关键指标：妇产科领域ACC提升9.35%，总体误诊率降低
17510编辑于 2025-08-02- 来自专栏GiantPandaCV
IBN-Net: 提升模型的域自适应性
概述 IBN-Net出发点是：提升模型对图像外观变化的适应性。在训练数据和测试数据有较大的外观差异的时候，模型的性能会显著下降，这就是不同域之间的gap。 IBN变体在ImageNet和使用Monet风格以后的结果 可以看到，IBN-a可以提升在原先域(训练数据)内的泛化能力，比原来ResNet50要高1-2个百分点。 IBN-b可以提升在目标域(训练数据中未出现的数据)的泛化能力，可以看到要比ResNet50提高4个百分点。 ? 对于不同目标域数据泛化能力对比 上图是采用了不同的外观转换比如RGB直接+50，R+50等方法，可以发现，依然遵从上一条发现，IBN-a可以提升原有域的泛化能力，IBN-b可以提升目标域的泛化能力，可以看到除了 cityscape和GTA5这个实验非常有说服力，证明了IBN-Net的泛化能力，效果提升非常明显，在分割问题上对模型带来的提升效果更大。 5.
1.5K41发布于 2020-04-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号