开春，复课。
一句无关的话...今天打开Google Reader看到7月份要关的提示，无限悲伤。看着落园若干RSS源里面累计800+的读者，只能说句bless...2008年开始使用，到现在，伴我度过了多少读书时光呀。不过确实也衰落了，高峰的时候一个RSS源就有600+读者，现在也只剩一半了。写博客，越来越像一件出力不讨好的事情了。
--------正文开始---------
提升与梯度树
1. Boost(AdaBoost)
这里讲的AdaBoost是仅针对二类分类器的提升。大致的思想就是，给我一个弱分类器，还你一个强分类器。听起来蛮神奇的对不对?
先说算法实现。
第一步：初始化。
,权重初始值 
。
第二步：迭代。
for m = 1 to M
- 根据已有算法（即弱分类器）和{
}得到一个分类器
. - 计算误差：
，这里我们把权重进行归一化。 - 计算
权重：
- 修改样本权重：
也就是说，我们不断的生成新的权重，当分类器分错的时候更改权重。
第三步：输出。最终的分类器为前面的加权。
这样就实现了从一个弱分类器改善到一个强分类器。这里弱分类器是指误差比随机猜的1/2少一点。
另注：在修改权重那一步的时候，也可以定义
，然后
，这样在最后的时候也可以改成
。总之这里的直觉是，如果分对了，那么权重下降；反之，分错的时候这些样本的权重上升。最后take average就可以了。
2. 自适应基函数模型、前向分布算法
之所以上面又引入
，便是为了更好地理解这一类模型：自适应基函数模型。
1. 我们称 
为基函数模型，其中
成为基函数基。注意这里和GLM有很大的不同，广义线性模型后面的
为确定的。
2. 前向分步算法。
数据集记作
。定义一个损失函数，比如常见的
均方误差,
，或者0-1准则。
然后步骤为：
- 初始化：
- 迭代：For m=1 to M，
- 令
。 - 输出
。
这样我们就把这个最优化问题转变成了M步，每步只做一个参数的最优化（近似方法）。
3. 指数损失函数与AdaBoost
有了这么一个一般性的框架，我们就可以套用具体的形式。
1. 定义指数损失函数： 
。
2. 两类分类、指数损失函数的自适应基函数模型。
前向分布算法：
(i)
定义
这样上式就可以化作
(ii) 固定
，优化
.
然后最小化，则
。假定已被优化，然后继续。
(iii)优化
。 
取一阶条件FOC，则有
这样最后
这样就看出来上面那个AdaBoost里面的是怎么来的了吧?
(iv) 回到AdaBoost
看出来最后的AdaBoost雏形了吧？
