Adaboost在神经网络上的实现

Question

您好，我最近在学习 Adaboost 课程并做了一些调查

我查看了一些使用 Adaboost 提升神经网络性能的代码

据我所知，Adaboost 可以通过多个类来完成：

(1)将训练数据加权为每个数据的 1。

(2)在训练后，我们通过添加权重来重新加权数据，如果

分类器做错了，如果分类器预测正确，则减少权重。

(3)最后我们取所有分类器的组合，取最大的一个（概率）

我可以用 Keras 和 sklearn 编写一些关于它的代码：

model = Model( img_input , o )
model.fit_generator(#some parameters)
from sklearn.ensemble import AdaBoostClassifier
adaboost = AdaBoostClassifier(base_estimator=model,algorithm='SAMME')
adaboost.fit_generator(#some parameters)

我的问题是：

我想知道 Adaboost 是如何与神经网络一起使用的

我可以想象两种方法来做到这一点，不确定 Adaboost 在这里如何做：

(1)完成训练（1小时）后，我们重新加权训练数据，然后一次又一次，直到迭代结束。

(2)如果第一轮所有数据都已经输入神经网络，然后我们重新加权训练数据。

(1) 和 (2) 的区别在于我们在 Adaboost 中定义一次迭代的方式：

(1) 完成整个迭代需要很长时间

(2) 只是一些对我来说没有意义的方法，因为我认为整个过程不会收敛得这么快，或者迭代次数需要设置得很大。

Answer 1

似乎只有少数人走这条路。

我想我会选择“堆栈”方法。