adaboost 演示demo基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等

adaboost 演示demo（基于Matlab，学习算法包括决策树、神经网络、线性回归、在线贝叶斯分类器等），动态GUI显示学习过程、vote过程等

classdef Adaboost < handle
  %Adaboost
  
  properties
    
    k_max;
    k_next;
    k_cur;
    part_trains;
    base_learner;
    learners;
    learner_weights;
    early_terminate;
    d_weights;
    d_size;
    
  end
  
  methods
    
    function a = Adaboost（k_max base_learner early_terminate）
      %k-max: Size of the model integer >= 1
      %base_learner: Model constructor function e.g. @（）CART（）
      %The model must be an object with methods a.train（inputs outputs）
      %and outputs = a.test（inputs）.
      %early_terminate: Optional detemines whether to terminate if base
      %learner error is greater than 0.5 （default is to continue and the
      %base learner receives a negative weight）.
      if （nargin < 3）
        early_terminate = false;
      end
      a.k_max = k_max;
      a.part_trains = a.k_max;
      a.k_next = a.k_max;
      a.learners = cell（a.k_max 1）;
      a.learner_weights = zeros（a.k_max 1）;
      a.base_learner = base_learner;
      a.early_terminate = early_terminate;
      a.k_cur = 0;
    end
    
    function part_train（a inputs outputs k_next）
      
      a.k_next = k_next;
      a.train（inputs outputs）;
      a.k_next = a.k_max;
      
    end
    
    function train（a inputs outputs）
      
      if （a.k_cur == 0）        
        a.d_size = size（inputs 1）;
        a.d_weights = ones（a.d_size 1） ./ a.d_size;
      end
            
      while （a.k_cur < a.k_next）
        
        a.k_cur = a.k_cur + 1;
        %Create an NxN square of cumulatively summed weights （i.e. N
        %rows containing the weight cumsum）. Create an NxN square of random
        %numbers （N columns containing the same N random numbers）. Compare
        %them and sum the rows. The number of weights that are less than
        %each random number indicates the index sampled by that row.
        indices = sum（repmat（cumsum（a.d_weights）‘ a.d_size 1） <= ...
          repmat（rand（a.d_size 1） 1 a.d_size） 2） + 1;
        a.learners{a.k_cur} = a.base_learner（）;
        a.learners{a.k_cur}.train（inputs（indices :） outputs（indices））;
        
        predictions = a.learners{a.k_cur}.test（inputs） == outputs;
        weighted_error = sum（~predictions .* a.d_weights）;
        
        if （a.early_terminate && weighted_error > 0.5）
          a.k_max = a.k_cur - 1;
          a.k_cur = a.k_cur - 1;
          a.learner_weights = a.learner_weights（1:a.k_max）;
          break;
        end
        
        weighted_error = min（max（weighted_error 0.01） 0.99）;
        a.learner_weights（a.k_cur） = 0.5 * log（（1 - weighted_error） / weighted_error）;
        
        a.d_weights = feval（@（x）x./sum（x） a.d_weights .* ...
          exp（-a.learner_weights（a.k_cur） * ssign（predictions）））;
        
      end
      
    end
    
    function outputs = test（a inputs）
      
      outputs = ssign（a.margins（inputs））;
      
    end
    
    function margins = margins（a inputs）
     
      margins = cell2mat（arrayfun（@（x）a.learners{x}.test（i

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件         323  2010-11-02 15:09  boosting_demo\ssign.m
     文件        1189  2010-11-02 15:10  boosting_demo\NeuralNetwork.m
     文件        2619  2010-11-02 15:06  boosting_demo\OnlineNaiveBayes.m
     文件       18577  2010-11-02 15:02  boosting_demo\boosting_demo.m
     文件         692  2010-11-02 15:10  boosting_demo\SVM.m
     文件        5002  2010-11-02 15:06  boosting_demo\LinearRegression.m
     文件         784  2010-11-02 15:03  boosting_demo\CART.m
     文件        3095  2010-11-02 15:05  boosting_demo\DataGen.m
     文件        3166  2010-11-02 15:02  boosting_demo\Adaboost.m
     文件        1395  2010-11-02 15:10  boosting_demo\Stump.m
     文件        1319  2014-02-12 13:18  license.txt