摘要： 使用改进的AdaBoost算法,根据环柄菇的特征对其毒性进行判别,提高环柄菇毒性的判别速度和准确性。首先通过计算数据集的初始权值分布,根据权值分布对训练集进行学习,得到弱分类器,根据弱分类器的分类结果,将错误的样本权值加大,同时计算出各个样本特征的权值,并删去权值系数小于规定值的特征;计算每个弱分类器在训练集上的误差率,并计算该弱分类器在强分类器中所占的权重,更新训练集中的权值分布,对权值过高的样本加上了损失函数,得到了最终的强分类器,输出预测结果;最后通过混淆矩阵,准确率,支持率等指标定量计算改进前后的AdaBoost算法的优化程度。在试验证明部分,使用python对数据集进行清洗,并归一化处理,然后分别利用三种算法对数据集进行预测,得到各自的准确率,改进之后的AdaBoost算法准确率达到99.96%,比单一的弱分类器和改进前的AdaBoost算法准确率平均提高7.5%。该方法可以提升环柄菇毒性判别的准确性,缩短毒性判别的检测时间,推动食用菌毒性诊断专家系统的研究。

关键词: 环柄菇毒性判别, 机器学习分类器, AdaBoost算法, 特征筛选