Изменения
→Описание алгоритма: sta
<font color=green>//<tex>x_i \in X, y_i \in Y = \{-1,+1\}, size(x) = size(y) = m</tex></font>
'''function''' AdaBoost($xX$, $yY$, $m$):
<font color=green>//Инициализируем</font>
'''for''' i = 1..m '''do''':
<tex>D_1([i) ] = \frac{1}{m}</tex>
'''end''' '''for'''
'''for''' t = 1..T '''do''':
<tex>\epsilon_j = \sum\limits_{i=1}^{m} D_t([i) ] [y_i\neq h_j(x_i)]</tex> <font color=green>//Взвешенная ошибка классификации</font>
<tex>h_t = \arg \min\limits_{h_j \in \mathcal{H}} \epsilon_j</tex> <font color=green>//Классификатор <tex>h_t:X\to \{-1,+1\}</tex></font>
<tex>\alpha_t = \frac{1}{2}\ln\frac{1-\epsilon_t}{\epsilon_t}</tex>
'''for''' i = 1..m '''do''':
<font color=green>//<tex>Z_t</tex> {{---}} нормализующий параметр, выбранный так, чтобы <tex>D_{t+1}</tex> являлось распределением вероятностей, то есть <tex>\sum\limits_{i-1}^{m} D_{t+1}([i) ] = 1</tex>, для <tex>t=1,...,T</tex></font> <tex>D_{t+1}([i) ] = \dfrac{D_t([i)] \textrm{exp}(-\alpha_t y_i h_t(x_i))}{Z_t}</tex>
'''end''' '''for'''
'''end''' '''for'''
