【摘要】 讨论了在中草药数据分类应用中两种分类器算法classificatinviaregression 和adaboostM1的分类性能的问题，在weka平台上实验可知，这两种分类器算法中adaboostM1的分类精度比较高。
　　【关键词】 中草药 AdaBoostM1 分类器
　　一、概述
　　传统的单分类器算法对于草药数据的分类应用有很多，但是每个单分类器算法对于不同的草药数据的分类性能不同，都有一定的偏向，研究人员开始尝试用组合分类器的方式来弥补单分类器算法的缺点，从而提高传统单分类器的分类性能。本实验用目前应用广泛的adaboostM1算法，与在WEKA平台中的一种单分类器算法classificationviaregression进行比较，验证组合分类器算法的分类性能是否比单分类器算法的好。本文首先在weka平台上用两种分类器算法对草药数据集进行分类，然后再对这两种算法的分类精度进行对比，实验表明：在实验数据集为输入样本集的情况下，AdaboostM1算法的分类精度比较高。
　　二、AdaBoost 算法介绍
　　AdaBoostM1[1]算法：输入.训练样本集S〈（x，y）…（x，y）〉。迭代次数 T，弱分类器 WeakLearn。
　　初始化：样本权值，w=D（i），i=1，…，m
　　（1）for t=1，……，T
　　（2）产生分布pt=wt/∑w
　　（3）基于分布pt调用 WeakLearn，得到假设：ht：X→[0，1]
　　（4）计算假设ht的错误率： εt=∑pht（xi）-yi
　　（5）计算βt=εt/（1-εt）
　　（6）更新w=w×β
　　（7）end
　　输出.
　　当
　　1ogh（x）≥
　　1og 时Hf（x）为1，否则Hf（x）为0。
　　三、在Weka上用AdaBoost算法及几种单分类算法对草药数据进行分类
　　本文所进行的实验在Weka3-7-1平台上完成，用三种草药三七、人参、西洋参的指纹图谱数据作为实验的数据集。采用对输入的数据集5重交叉验证的方式，取其分类精度为分类性能，分类精度越高表示分类效果越好。
　　classificationviaregression的参数设置如下：
　　基分类器为decisionstump，其他的为默认参数设置。
　　AdaboostM1的参数设置如下：
　　基分类器为decisionstump，numiteration为10，seed为1，weightThresold为100。
　　之后执行RUN界面的START指令，再进入ANALYSE界面载入文件选择分析分类精度，可得到这些算法的平均分类精度如表1所示。
　　四、实验结果与分析
　　从表1可以看出，在实验的中草药数据集中，AdaBoostM1算法的分类精度大于classificationviaregression算法的分类精度。
　　五、结论
　　综上所述，在中草药分类领域，在与classificaitnoviaregression算法比较下，可以利用AdaBoostM1算法来提高传统分类器算法的分类精度，使用AdaBoostM1算法来进行草药数据集的分类以达到高的精度。