Adaboost方法不僅可以用語設計強分類器，還可以用于設計強預測器。

強預測器設計思路與強分類器設計類似，都是先富裕測試樣本權重，然后根據弱預測器預測結果調整測試樣本權重并確定弱預測器權重，最后把弱預測器序列作為強預測器。不同的是在強預測器中增加預測錯類別樣本的權重，增加預測誤差超過閥值的樣本權重。

仍然預測之前預測的函數

%% 清空環境變量

clc

clear

%% 下載數據

load data1 input output

%% 權重初始化

k=rand(1,2000);

[m,n]=sort(k);

%訓練樣本

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

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

%測試樣本

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

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

%樣本權重

[mm,nn]=size(input_train);

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

%訓練樣本歸一化

[inputn,inputps]=mapminmax(input_train);

[outputn,outputps]=mapminmax(output_train);

K=10;

for i=1:K

    %弱預測器訓練

    net=newff(inputn,outputn,5);

    net.trainParam.epochs=20;

    net.trainParam.lr=0.1;

    net=train(net,inputn,outputn);

    %弱預測器預測

    an1=sim(net,inputn);

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

    %預測誤差

    erroryc(i,:)=output_train-BPoutput;

    %測試數據預測

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

    an2=sim(net,inputn1);

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

    %調整D值

    Error(i)=0;

    for j=1:nn

        if abs(erroryc(i,j))>0.2  %較大誤差

            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

    %計算弱預測器權重

    at(i)=0.5/exp(abs(Error(i)));

    %D值歸一化

    D(i+1,:)=D(i+1,:)/sum(D(i+1,:));

end

%% 強預測器預測

at=at/sum(at);

%% 結果統計

%強分離器效果

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('強預測器預測誤差絕對值','fontsize',12)

xlabel('預測樣本','fontsize',12)

ylabel('誤差絕對值','fontsize',12)

legend('強預測器預測','弱預測器預測')