本書主要介紹一種機器學習算法——提升法，主要關注其基礎理論和算法，也兼顧了應用。
全書共14章，分為4個部分。首先給出機器學習算法及其分析的概要介紹，然后第一部分重點探究了提升法的核心理論及其泛化能力。第二部分主要介紹了有助于理解和解釋提升法的其他理論，包括基于博弈論的解釋、貪心算法、迭代投射算法，并與信息幾何學和凸優(yōu)化建立了聯(lián)系。第三部分主要介紹利用基于置信度的弱預測的AdaBoost算法的實用擴展，并用于解決多類別分類問題和排序問題。第四部分討論了高級理論話題，包括AdaBoost算法、**提升法和連續(xù)時間下的提升法之間的統(tǒng)計一致性。附錄部分介紹了所需高級的數(shù)學概念。
本書適合對提升法感興趣的讀者，本書每章都附有練習，因此也適用于高等院校相關課程的教學。
1.本書是提升法的創(chuàng)始人、哥德爾獎得主的代表作；
2.將提升法背后的各種理論舉重若輕、抽絲剝繭、深入淺出地詳加介紹；
3.充分考慮入門讀者的需求，對所有材料都進行了適當?shù)牟眉簦空潞蟾接芯毩曨}；
4.書中有大量的應用實例和插圖；
5.提供書中彩圖文件。
提升法（boosting）是一種機器學習方法，其思想是通過組合許多較弱的、不準確的“經(jīng)驗法則”來創(chuàng)建一個高度精確的預測器。圍繞提升法已發(fā)展出非常豐富的理論，涉及一系列的主題，包括統(tǒng)計學、博弈論、凸優(yōu)化以及信息幾何學。提升法也在生物學、計算機視覺和語音處理等領域獲得了成功應用。
本書由提升法的提出者、羅伯特·夏皮雷（Robert. E. Schapire）和約夫·弗雷德（Yoav Freund）親自執(zhí)筆，匯集、組織、簡化并實質(zhì)性擴充了關于提升法的研究成果，以不同背景的讀者都可以輕松閱讀并理解的方式來呈現(xiàn)提升法的理論及其實踐，同時也為高級研究人員提供了權威參考。本書充分考慮入門讀者的需求，對所有的材料都進行了適當?shù)牟眉�，并在每章后都附有練習，因而適合作為相關教材使用。
本書首先對機器學習算法及其分析方法作了概要性介紹；然后探討了提升法的核心理論，特別是它的泛化能力；考察了有助于理解和解釋提升法的許多理論觀點；提供了提升法的實用擴展以解決更復雜的學習問題；最后提出了一些高級理論。大量的應用實例和插圖貫穿其中。
本書適合任何對機器學習算法、提升法感興趣的讀者，也適合作為高等院校相關課程的教材。
專家評論
這本書是優(yōu)秀的精神“擔架”，值得好好閱讀以及多次重讀，即使是非專業(yè)人士。
——ACM 的Computing Reviews
一言以蔽之，這是我讀過的關于機器學習的最好的書之一……
——Bactra 評論
對于那些希望在機器學習領域工作的人來說，本書提供了清晰而有見地的觀點，在機
器學習的經(jīng)典著作和研究人員的書架上都應該占有一席之地。
——Giles Hooker 美國統(tǒng)計協(xié)會
Robert Schapire 和Yoav Freund 提出的提升法在機器學習和統(tǒng)計學習方面產(chǎn)生
了巨大的影響，它經(jīng)受住了時間的考驗。關于為什么提升法如此有效，人們進行了熱烈的討論，現(xiàn)在還沒有定論。這本來自“大師”的書，其各方面的內(nèi)容十分均衡，涵蓋了提升法的各個研究視角，能夠幫助讀者快速地享受該領域豐富研究成果。
——Trevor Hastie 斯坦福大學統(tǒng)計系
提升法提供了一個思考和設計機器學習算法的平臺，已有20 多年的歷史。提升法背后簡單而優(yōu)雅的思想就像是神奇的魔鏡，研究人員可以從多個不同的角度來看待它。這本書將這些觀點完美地結(jié)合在一起，是機器學習研究的重要參考資料。
——John Lafferty 芝加哥大學和卡內(nèi)基梅隆大學
約夫·弗雷德（Yoav Freund）,紐約微軟主任研究員。
羅伯特·夏皮雷（Robert. E. Schapire）,加利福尼亞大學圣迭戈分校計算機科學與工程系教授。
他們因為在提升法方面的研究工作，獲得了2003 年的哥德爾獎和2004 年的ACM Kanellakis 理論與實踐獎。
目錄
第1章 引言1
1．1 分類問題與機器學習2
1．2 提升法3
1．2．1 一個“玩具”例子6
1．2．2 算法的實驗性能9
1．2．3 一個醫(yī)學診斷的例子10
1．3 抗過擬合與間隔理論12
1．4 基礎理論與算法14
1．5 小結(jié)16
1．6 參考資料16
1．7 練習16
第一部分 算法核心分析
第2章 機器學習基礎21
2．1 機器學習直接分析方法21
2．1．1 學習的充分條件21
2．1．2 與另外一種算法的比較25
2．2 通用分析方法26
2．2．1 一個假設26
2．2．2 有限假設空間28
2．2．3 無限假設空間30
2．2．4 更抽象的公式34
2．2．5 一致性假設35
2．2．6 基于壓縮的界36
2．2．7 討論37
2．3 提升法研究基礎38
2．3．1 性能的絕對保證 38
2．3．2 弱可學習與提升法40
2．3．3 分析提升法的方法 41
2．4 小結(jié)43
2．5 參考資料43
2．6 練習44
第3章 用AdaBoost最小化訓練誤差46
3．1 AdaBoost算法訓練誤差的界 46
3．2 弱可學習的充分條件49
3．3 與切諾夫界的關系52
3．4 基學習算法的設計和使用53
3．4．1 使用樣本的權重 54
3．4．2 算法設計55
3．4．3 在人臉識別中的應用58
3．5 小結(jié)60
3．6 參考資料61
3．7 練習61
第4章 泛化誤差的直接界63
4．1 基于VC理論的泛化誤差的界63
4．1．1 基本假設63
4．1．2 AdaBoost分類器的形式與復雜度64
4．1．3 有限基假設空間66
4．1．4 無限基分類器空間68
4．2 基于壓縮的界70
4．2．1 主要思想70
4．2．2 混合壓縮模式71
4．2．3 應用到AdaBoost72
4．3 強學習與弱學習的等價性73
4．4 小結(jié)75
4．5 參考資料75
4．6 練習75
第5章 用間隔理論解釋提升法的有效性78
5．1 間隔作為置信度的度量79
5．2 泛化誤差的基于間隔的分析81
5．2．1 直觀感受81
5．2．2 有限基假設空間82
5．2．3 無限基假設空間87
5．3 基于Rademacher復雜度的分析89
5．4 提升法對間隔分布的影響93
5．4．1 AdaBoost間隔的界93
5．4．2 更積極的間隔最大化95
5．4．3 弱可學習的充分必要條件97
5．5 偏差、方差和穩(wěn)定性98
5．6 與支持向量機的關系102
5．6．1 支持向量機概覽102
5．6．2 與提升法的比較105
5．7 間隔的實際應用106
5．7．1 為了獲得更高的準確率拒絕低置信度的預測106
5．7．2 主動學習108
5．8 小結(jié)110
5．9 參考資料110
5．10 練習111
第二部分 基本觀點
第6章 博弈論、在線學習和提升法117
6．1 博弈論117
6．1．1 隨機玩法118
6．1．2 序列玩法119
6．1．3 極小極大理論120
6．2 從重復博弈中學習121
6．2．1 學習模型121
6．2．2 基本算法122
6．2．3 分析122
6．2．4 極小極大理論的證明126
6．2．5 一個游戲的近似解127
6．3 在線預測128
6．4 提升法131
6．4．1 提升法和極小極大理論131
6．4．2 提升法的思想133
6．4．3 分析135
6．5 應用于“讀心術”游戲136
6．6 小結(jié)141
6．7 參考資料141
6．8 練習142
第7章 損失最小化與Boosting算法的泛化145
7．1 AdaBoost的損失函數(shù)146
7．2 坐標下降法149
7．2．1 AdaBoost的泛化149
7．2．2 收斂性150
7．2．3 其他損失函數(shù)151
7．3 損失最小化不能解釋泛化能力152
7．4 泛函梯度下降154
7．4．1 另外一種泛化155
7．4．2 與坐標下降法的關系157
7．4．3 對通用損失函數(shù)進行分類和回歸158
7．5 邏輯斯蒂回歸和條件概率159
7．5．1 邏輯斯蒂回歸159
7．5．2 修改AdaBoost用于邏輯斯蒂損失161
7．5．3 估計條件概率164
7．6 正則化166
7．6．1 避免過擬合166
7．6．2 提升法與早停之間的關系169
7．6．3 與間隔最大化的關聯(lián)172
7．7 應用到數(shù)據(jù)有限的學習173
7．7．1 引入先驗知識173
7．7．2 半監(jiān)督學習177
7．8 小結(jié)179
7．9 參考資料179
7．10 練習180
第8章 提升法、凸優(yōu)化和信息幾何學184
8．1 迭代投影算法184
8．1．1 類歐幾里得184
8．1．2 信息論度量187
8．1．3 將AdaBoost看作迭代投影算法188
8．1．4 非空可行集的條件192
8．1．5 用非歸一化分布的迭代投影195
8．2 證明AdaBoost的收斂性197
8．2．1 設置197
8．2．2 兩個問題合成一個198
8．2．3 證明199
8．2．4 凸對偶204
8．3 與邏輯斯蒂回歸的統(tǒng)一205
8．4 物種分布建模的應用207
8．5 小結(jié)210
8．6 參考資料210
8．7 練習211
第三部分 算法擴展
第9章 基于置信度的弱預測219
9．1 框架220
9．2 算法設計的通用方法222
9．2．1 一般情況下如何選擇αt222
9．2．2 二分類預測223
9．2．3 有限范圍的預測224
9．2．4 可棄權的弱假設225
9．2．5 將參數(shù)αt隱入ht228
9．2．6 域分割的弱假設228
9．3 學習規(guī)則集231
9．4 交替決策樹233
9．5 小結(jié)239
9．6 參考資料239
9．7 練習239
第10章 多類別分類問題243
10．1 多類別問題的直接擴展244
10．2 一對其他歸約和多標簽分類248
10．2．1 多標簽分類249
10．2．2 漢明損失249
10．2．3 與“1錯誤”和單標簽分類的關系252
10．3 應用到語義分類問題253
10．4 應用輸出編碼的通用約簡257
10．4．1 多類別到多標簽257
10．4．2 更通用的編碼261
10．5 小結(jié)267
10．6 參考資料267
10．7 練習268
第11章 排序272
11．1 排序問題的形式化框架272
11．2 排序問題的提升法275
11．2．1 RankBoost275
11．2．2 選擇αt和弱學習器的標準277
11．2．3 RankBoost和AdaBoost的損失函數(shù)278
11．3 提高效率的方法280
11．3．1 約簡為二分類問題280
11．3．2 層級反饋282
11．3．3 準層級反饋284
11．4 多類別、多標簽分類288
11．5 應用290
11．5．1 解析英文句子290
11．5．2 找到癌癥基因292
11．6 小結(jié)294
11．7 參考資料294
11．8 練習295第四部分高級理論
第12章達到盡可能高的準確度301
12．1 最優(yōu)分類與風險最小化302
12．2 接近最優(yōu)風險305
12．2．1 基假設的表達306
12．2．2 證明概覽306
12．2．3 正式的證明308
12．2．4 AdaBoost最小化經(jīng)驗風險的速度的界310
12．2．5 夾緊效果的界315
12．2．6 經(jīng)驗風險和真實風險之間的關系315
12．2．7 完成證明318
12．2．8 與基于間隔的界的對比318
12．3 風險最小化如何導致較差的準確性319
12．3．1 構(gòu)建基于置信度的假設319
12．3．2 用二分類器進行構(gòu)建322
12．3．3 均勻噪聲的困難324
12．4 小結(jié)326
12．5 參考資料326
12．6 練習327
第13章 效率最優(yōu)的提升法332
13．1 BBM算法333
13．1．1 投票博弈333
13．1．2 一個籌碼游戲335
13．1．3 推導最優(yōu)博弈336
13．1．4 一個容易處理的近似337
13．1．5 算法341
13．1．6 分析343
13．1．7 博弈論優(yōu)化344
13．2 最優(yōu)泛化誤差345
13．2．1 BBM的上界346
13．2．2 通用下界346
13．2．3 構(gòu)建347
13．2．4 分析概述352
13．2．5 將提升器看作固定的函數(shù)353
13．2．6 誤差的分析355
13．2．7 將所有東西結(jié)合到一起358
13．3 與AdaBoost的關系359
13．3．1 誤差界的比較359
13．3．2 由BBM派生出AdaBoost360
13．3．3 權重的比較361
13．4 小結(jié)363
13．5 參考資料363
13．6 練習363
第14章 連續(xù)時間下的提升法367
14．1 連續(xù)時間極限下的適應性367
14．1．1 主要思想368
14．1．2 連續(xù)時間下的極限369
14．1．3 另一個推導過程372
14．2 BrownBoost375
14．2．1 算法375
14．2．2 分析377
14．3 AdaBoost作為BrownBoost的一個特例381
14．4 含噪聲的數(shù)據(jù)的實驗387
14．5 小結(jié)389
14．6 參考資料389
14．7 練習390
附錄A 符號、定義及其數(shù)學背景393
A．1 通用符號393
A．2 范式394
A．3 最大值、最小值、上確界、下確界394
A．4 極限395
A．5 連續(xù)性、閉集和緊性396
A．6 導數(shù)、梯度和泰勒定理397
A．7 凸集398
A．8 拉格朗日乘子法398
A．9 分布和中心極限定理399
書單推薦
