《表2 UCI实验数据集误检率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于拟合型弱分类器的AdaBoost算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

上述分析可得，在UCI数据集仿真实验中，本文算法在相同迭代次数下，相比传统Discrete-AdaBoost算法和Real-AdaBoost算法误检率更低，在二阶、三阶拟合情况下效果尤为明显。在算法训练的时间复杂度上，本文算法只需一次拟合即可得到弱分类器，而传统Discrete-Ada Boost算法在更新样本权重后每次都要遍历搜寻最佳阈值，随着样本增多，速度就会越慢，体现了本文算法在时间复杂度上的优势。