Adaboost是一種迭代算法，其核心思想是針對同一個訓練集訓練不同的分類器(弱分類器)，然后把這些弱分類器集合起來，構成一個更強的最終分類器(強分類器)。

其算法本身是通過改變數據分布來實現的，它根據每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權值。將修改過權值的新數據集送給下層分類器進行訓練，最后將每次訓練得到的分類器融合起來，作為最后的決策分類器。

這里采用BP神經網絡作為弱分類器，反復訓練BP神經網絡預測樣本輸出，通過Adaboost算法得到多個BP神經網絡弱分類器組成的強分類器。

%%清空環境變量

clc

clear

%% 下載數據

load data input_train output_train input_test output_test

%% 權重初始化

[mm,nn]=size(input_train);

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

%% 弱分類器分類

K=10;

for i=1:K

    %訓練樣本歸一化

    [inputn,inputps]=mapminmax(input_train);

    [outputn,outputps]=mapminmax(output_train);

    error(i)=0;

    %BP神經網絡構建

    net=newff(inputn,outputn,6);

    net.trainParam.epochs=5;

    net.trainParam.lr=0.1;

    net.trainParam.goal=0.00004;

    %BP神經網絡訓練

    net=train(net,inputn,outputn);

    %訓練數據預測

    an1=sim(net,inputn);

    test_simu1(i,:)=mapminmax('reverse',an1,outputps);

    %測試數據預測

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

    an=sim(net,inputn_test);

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

    %統計輸出效果

    kk1=find(test_simu1(i,:)>0);

    kk2=find(test_simu1(i,:)<0);

    aa(kk1)=1;

    aa(kk2)=-1;

    %統計錯誤樣本數

    for j=1:nn

        if aa(j)~=output_train(j)

            error(i)=error(i)+D(i,j);

        end

    end

    %弱分類器i權重

    at(i)=0.5*log((1-error(i))/error(i));

    %更新D值

    for j=1:nn

        D(i+1,j)=D(i,j)*exp(-at(i)*aa(j)*test_simu1(i,j));

    end

    %D值歸一化

    Dsum=sum(D(i+1,:));

    D(i+1,:)=D(i+1,:)/Dsum;

end

%% 強分類器分類結果

output=sign(at*test_simu);

%% 分類結果統計

%統計強分類器每類分類錯誤個數

kkk1=0;

kkk2=0;

for j=1:350

    if output(j)==1

        if output(j)~=output_test(j)

            kkk1=kkk1+1;

        end

    end

    if output(j)==-1

        if output(j)~=output_test(j)

            kkk2=kkk2+1;

        end

    end

end

disp('第一類分類錯誤  第二類分類錯誤  總錯誤');

% 窗口顯示

disp([kkk1 kkk2 kkk1+kkk2]);

plot(output)

hold on

plot(output_test,'g')

%統計弱分離器效果

for i=1:K

    error1(i)=0;

    kk1=find(test_simu(i,:)>0);

    kk2=find(test_simu(i,:)<0);

    aa(kk1)=1;

    aa(kk2)=-1;

    for j=1:350

        if aa(j)~=output_test(j)

            error1(i)=error1(i)+1;

        end

    end

end

disp('統計弱分類器分類效果');

disp(error1)

disp('強分類器分類誤差率')

disp((kkk1+kkk2)/350)

disp('弱分類器分類誤差率')

disp((sum(error1)/(K*350)))