引入注意力机制的AdaBoost算法

为了解决原始AdaBoost算法对弱分类器的权重无法动态调整以及对多次分类错误的样本设置过高权重的问题,提出引入注意力(Attention)机制的AdaBoost算法。首先将所有样本输入到第一个注意力层,利用神经网络为每个样本打分,然后将所有弱分类器输入到第二个注意力层,同样利用神经网络为弱分类器打分,从而实现对弱分类器权重的动态调整,并最终得到一组最优权重。通过在损失函数上引入关于样本权重的L2正则项,并对正则项系数进行调整来解决AdaBoost算法对多次分类错误样本设置过高权重的问题。通过在四个公开数据集上与文献中提出的其它改进AdaBoost算法进行比较,发现其在准确率上优于其它改进算法。