AdaBoost是數(shù)據(jù)挖掘領(lǐng)域最常見的提升算法之一。對(duì)傳統(tǒng)AdaBoost將各個(gè)基分類器線性相加所存在的不足進(jìn)行分析，并針對(duì)AdaBoost各個(gè)弱分類器的加權(quán)方式提出新的改進(jìn)，將傳統(tǒng)的線性相加改為非線性組合，把從學(xué)習(xí)過程得到的固定不變的權(quán)重系數(shù)改為由預(yù)測(cè)階段的具體實(shí)例決定的動(dòng)態(tài)參數(shù)，該參數(shù)基于待測(cè)實(shí)例K近鄰的分類結(jié)果統(tǒng)計(jì)，從而使各個(gè)基分類器的權(quán)重更貼近當(dāng)前待測(cè)實(shí)例的實(shí)際可靠度。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)AdaBoost相比，提出的非線性改進(jìn)算法對(duì)不同數(shù)據(jù)集均有不同程度提升，提升最高的達(dá)到了7個(gè)百分點(diǎn)。由此證明，提出的改進(jìn)是一種更加準(zhǔn)確的分類算法，對(duì)絕大多數(shù)數(shù)據(jù)集均能得到更高的分類準(zhǔn)確率。