Я в настоящее время ищу мультимаркировать реализацию AdaBoost для MATLAB или технику для того, чтобы эффективно использовать реализацию с двумя маркировками для случая мультимаркировки. Любая справка в том вопросе ценилась бы.
Вы можете использовать тот же подход, что и в Support Vector Machines . SVM изначально являются двоичными классификаторами, для обработки многоклассовых данных было предложено несколько подходов:
один против всех : создать по одному двоичному классификатору для каждого класса и обучаться с экземплярами этого класса как положительными случаями и всеми другими экземплярами как отрицательными случаи (например: 1-vs-not1, 2-vs-not2, 3-vs-not3). Наконец, используйте апостериорную вероятность каждого классификатора, чтобы предсказать класс.
один против одного : создать несколько бинарных классификаторов для каждой пары классов (например: 1-vs-2, 1-vs-3, 2-vs-3, ..) простым обучением экземпляров из обоих классов. Затем вы можете объединить отдельные результаты большинством голосов.
Выходные коды с исправлением ошибок : основанный на теории исправления ошибок (код Хэмминга и т. Д.), Он основан на кодировании выходных данных нескольких двоичных классификаторов с использованием некоторой избыточности для повышения точности.
Обратите внимание, что это общий метод, который может применяться к любому двоичному классификатору.
В противном случае вы можете поискать конкретную реализацию мультиклассового Adaboost, и я уверен, что их много .. Быстрый поиск показал следующее: Multiclass GentleAdaboosting