alpha_3=1/2*np.log((1-error3)/error3)
alpha_3

3.3.5跟新权重

#上一次权重的基础上进行更新
#y表示真是的目标值
#ht(X)表示当前若学习器预测的结果
w4= w3*np.exp(-y*y3_*alpha_3)
w4=w4/w4.sum()#权重的归一化操作，和正好是1
display(w3,w4)
display(y,y3_)

3.4弱学习器的聚合

print("每一个弱分类器的预测结果：")
display(y1_,y2_,y3_)
#F 表示聚合各个弱学习器的评分
F=alpha_1*y1_ + alpha_2*y2_ + alpha_3*y3_
#将多个弱分类器，整合，变成了强分类器F(X)
print("强分类器合并结果：\n",F)
#根据得到的最终的F,如果i大于0就是1，否则就是-1，就像把最终的结果放进符号函数中
print("强分类器最终结果如下：\n",np.array([1 if i > 0 else -1 for i in F]))

print("算法预测结果为：\n",model.predict(X))