更新7.AdaBoost注解

docs/7.利用AdaBoost元算法提高分类.md

@@ -5,17 +5,12 @@
     * 概念：是对其他算法进行组合的一种形式。
     * 通俗来说： 当做重要决定时，大家可能都会考虑吸取多个专家而不只是一个人的意见。
         机器学习处理问题时又何尝不是如此？ 这就是元算法(meta-algorithm)背后的思想。
-* AdaBoost(adaptive boosting: 自适应boosting)
-    * 能否使用弱分类器和多个实例来构建一个强分类器？ 这是一个非常有趣的理论问题。
-    * 优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调节。
-    * 缺点：对离群点敏感。
-    * 适用数据类型：数值型和标称型数据。
 * bagging：基于数据随机重抽样的分类起构造方法
     * 自举汇聚法(bootstrap aggregating)，也称为bagging方法，是在从原始数据集选择S次后得到S个新数据集的一种技术。
     * 1. 新数据集和原数据集的大小相等。
     * 2. 每个数据集都是通过在原始数据集中随机选择一个样本来进行替换(替换：意味着可以多次选择同一个样本，也就有重复值)而得到的。
     * 3. 该算法作用的数据集就会得到S个分类器，与此同时，选择分类器投票结果中最多的类别作为最后的分类结果。
-    * 4. 例如：随即森林(random forest)
+    * 4. 例如：随机森林(random forest)
 * boosting
     * boosting是一种与bagging很类似的技术。不论是boosting还是bagging当中，所使用的多个分类器的类型都是一致的。
     * 区别是什么？
@@ -24,6 +19,11 @@
     * 3. 由于boosting分类的结果是基于所有分类器的加权求和结果的，因此boosting与bagging不太一样。
     * 4. bagging中的分类器权重是相等的，而boosting中的分类器权重并不相等，每个权重代表的是其对应分类器在上一轮迭代中的成功度。
     * 目前boosting方法最流行的版本是： AdaBoost。
+* AdaBoost(adaptive boosting: 自适应boosting)
+    * 能否使用弱分类器和多个实例来构建一个强分类器？ 这是一个非常有趣的理论问题。
+    * 优点：泛化错误率低，易编码，可以应用在大部分分类器上，无参数调节。
+    * 缺点：对离群点敏感。
+    * 适用数据类型：数值型和标称型数据。
 * AdaBoost的一般流程
     * 训练算法： 基于错误提升分类器的性能
     * 基于单层决策树构建弱分类器
@@ -42,6 +42,6 @@
         * 一个完美分类器的AUC为1，而随机猜测的AUC则为0.5。
     * 基于代价函数的分类器决策控制：`TP*(-5)+FN*1+FP*50+TN*0`
     * ![代价函数](./7.代价函数.png)
-    * 过欠抽样(undersampling)或者过抽样(oversampling)
-        * 过欠抽样: 意味着复制样例(重复使用)
-        * 过抽样: 意味着删除样例
+    * 欠抽样(undersampling)或者过抽样(oversampling)
+        * 欠抽样: 意味着删除样例
+        * 过抽样: 意味着复制样例(重复使用)