基于adaboost算法的人脸检测，简单实现了人脸检测的功能，但是延迟比较大，不能实现实时性，利用matlab来实现，程序比较简单，便于初学者学习

针对当前剩余电流动作保护装置由于不能检测剩余电流中触电电流类型的问题，搭建了生物体触电实验平台，通过实验分别获取生物体触电电流。基于上述数据，提出一种利用AdaBoost算法的剩余电流分类方法，该方法首先通过提取实验获取不同类型剩余电流分量的特征分量，而后将这些分量特征映射到AdaBoost的算法之中，利用AdaBoost算法检测出总剩余电流中的触电电流分量类型。实验还对比了SVM、随机森林等方法，结果表明所提方法具有一定的优势，可为后续自适应型剩余电流动作保护装置的研制提供理论依据和支撑。

针对传统的过采样算法在增加样本的同时可能使决策域变小和噪声点增加的问题进行了研究，提出了一种基于错分的混合采样算法。该算法是以SVM为元分类器，AdaBoost算法进行迭代，对每次错分的样本点根据其空间近邻关系，采取一种改进的混合采样策略：对噪声样本直接删除；对危险样本约除其近邻中的正类样本；对安全样本则采用SMOTE算法合成新样本并加入到新的训练集中重新训练学习。在实际数据集上进行实验，并与SMOTE-SVM和AdaBoost-SVM-OBMS算法进行比较，实验结果表明该算法能够有效地提高负类的分类准确率。

关键词：情感分析 AdaBoost 朴素贝叶斯 文本分类 数据挖掘Research of Sentiment Analysis based on AdaBoos

基于Gentle AdaBoost的多语种识别及语言关系研究，孙乐，胡浩基，本文将一种新的特征提取方法应用于语种识别，采用Gentle AdaBoost算法搭建多语种识别系统，并通过两两语种的识别率分析语言之间的距离

针对传统税收预测模型精度较低的问题，提出一种将Adaboost算法和BP神经网络相结合进行税收预测的方法。该方法首先对历年税收数据进行预处理并初始化测试数据分布权值；然后初始化BP神经网络权值和阈值，并将BP神经网络作为弱预测器对税收数据进行反复训练和调整权值；最后使用Adaboost算法将得到的多个BP神经网络弱预测器组成新的强预测器并进行预测。通过对我国1990--2010年税收数据进行仿真实验，结果表明该方法相比传统BP网络预测，平均误差相对值从0.50％减少到0.18％，有效地降低了单个BP陷入局

机器学习课程作业_基于AdaBoost算法的人脸分类python源码.zip 机器学习课程作业_基于AdaBoost算法的人脸分类python源码.zip 机器学习课程作业_基于AdaBoost算法的人脸分类python源码.zip

毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBo ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸样本 nonfaces文件夹 包含非人脸样本 ======================================== 测试样本： 加州理工大学 人脸数据库 样本尺寸：896*592px 包含450个样本 faces_test文件夹 （程序剔除了部分非人脸样本，实际检测样本数约为440个） ========================================

毕业设计的文献综述“Adaboost是一种自适应的boosting算法，该算法利用大量的分类能力一般的简单（弱）分类器(Basic Classifier)通过一定的方法叠加(Boost)起来，构成一个分类能力很强的强分类器(Strong Classifier)。其基本思想是：当分类器对某些样本正确分类时，则减少这些样本的权值；当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别率理想的分类器。该算法的人脸检测对于单人脸正面图像的检测效果较好,误检率也比较低。然而AdaBoost算法采用顺序前进法搜索策略，尽管每次迭代选择的弱分类器是局部最优，但最终构成强分类器的弱分类器及其系数并不是最优。而且对于侧面及多人脸图像检测正确率不高。

基于开源URL数据字符串特征的恶意性检测项目源码+数据集+模型+项目说明.7z 从kdnuggets上收集到了带标签（good/bad）的URL数据集，共416350条，其中异常数据（bad）71556条，占比17.19%； 正常数据（good）344794条，占比82.81%。 将全体数据划分为训练集（70%），验证集（15%）和测试集（15%），并且在每个集合中均保持异常数据所占比例相同。 分类器模型 准确度（%） 精确度（%） 召回率（%） 贝叶斯 85.88 60.82 50.25 AdaBoost 92.84 86.05 69.65 随机森林 97.13 95.9 87.05 决策树 94.63 83.9 85.11 逻辑回归 90.86 83.29 58.58 梯度提升树 96.35 93.7 84.45 基于投票的分类器 97.1 92.51 90.48