基于的强预测器设计是怎么样的

Adaboost方法不仅可以用语设计强分类器，还可以用于设计强预测器。

强预测器设计思路与强分类器设计类似，都是先富裕测试样本权重，然后根据弱预测器预测结果调整测试样本权重并确定弱预测器权重，最后把弱预测器序列作为强预测器。不同的是在强预测器中增加预测错类别样本的权重，增加预测误差超过阀值的样本权重。

仍然预测之前预测的函数

%% 清空环境变量

clc

clear

%% 下载数据

load data1 input output

%% 权重初始化

k=rand(1,2000);

[m,n]=sort(k);

%训练样本

input_train=input(n(1:1900),:)';

output_train=output(n(1:1900),:)';

%测试样本

input_test=input(n(1901:2000),:)';

output_test=output(n(1901:2000),:)';

%样本权重

[mm,nn]=size(input_train);

D(1,:)=ones(1,nn)/nn;

%训练样本归一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

K=10;

for i=1:K

    %弱预测器训练

    net=newff(inputn,outputn,5);

    net.trainParam.epochs=20;

    net.trainParam.lr=0.1;

    net=train(net,inputn,outputn);

    %弱预测器预测

    an1=sim(net,inputn);

    BPoutput=mapminmax('reverse',an1,outputps);

    %预测误差

    erroryc(i,:)=output_train-BPoutput;

    %测试数据预测

    inputn1=mapminmax('apply',input_test,inputps);

    an2=sim(net,inputn1);

    test_simu(i,:)=mapminmax('reverse',an2,outputps);

    %调整D值

    Error(i)=0;

    for j=1:nn

        if abs(erroryc(i,j))>0.2  %较大误差

            Error(i)=Error(i)+D(i,j);

            D(i+1,j)=D(i,j)*1.1;

        else

            D(i+1,j)=D(i,j);

        end

    end

    %计算弱预测器权重

    at(i)=0.5/exp(abs(Error(i)));

    %D值归一化

    D(i+1,:)=D(i+1,:)/sum(D(i+1,:));

end

%% 强预测器预测

at=at/sum(at);

%% 结果统计

%强分离器效果

output=at*test_simu;

error=output_test-output;

plot(abs(error),'-*')

hold on

for i=1:8

error1(i,:)=test_simu(i,:)-output;

end

plot(mean(abs(error1)),'-or')

title('强预测器预测误差绝对值','fontsize',12)

xlabel('预测样本','fontsize',12)

ylabel('误差绝对值','fontsize',12)

legend('强预测器预测','弱预测器预测')