adaboost训练经验总结

基于adaboost算法训练的分类模型已应用于多个项目（在实际开发过程中，我对adaboost的原始代码进行了优化和调整，同时结合深度学习框架caffe完成了一些相似任务。经过综合评估算法的检测性能与运行效率，最终项目中仍选择采用adaboost方法。未来我将投入大量时间对caffe进行改进与优化）。以下内容为训练前需要特别注意的事项。

0、正样本尺寸的选择在训练前具有重要意义。

1、正样本配置方面：数量越多越佳，但需考虑训练设备的内存容量。通常情况下，在训练开始前正样本数量应满足如下公式：posNum+numStages*[（1-minHitRate）posNum +50~300]<total_posNum。因此需特别留意这一设定。
A、原因：每完成一层的训练后，下一层将从numStages[（1-minHitRate）*posNum +300~600]个正样本中选取指定数量（该数量在训练前已设定）。
B、后果：若未按照上述公式设置正样本数量，分类器可能无法达到预设的阶数。
C、举例：在训练过程中屏幕会显示相关信息行如“POS cout ：consumed 110000:123188”，表示从123188个正样本中选取了110000个用于当前层的训练。若目标是训练到30层，而总正样本数仅为150,000，并且初始参数设定为13,000，则当minHitRate设为9