Processo de AdaBoosting Completo
Sabemos que erros de um modelo de previsao podem ser decompostos em dois fatores: vies e variancia. Um modelo complexo apresenta pouco vies, mas grande variancia, enquanto um modelo simples apresenta grande vi´es e pouca variancia.
Boosting é o processo de reduzir o vies de um grande conjunto de modelos simples (i.e., com baixa variancia).
Esses modelos sao chamados de modelos fracos, e sao levemente correlacionados com a classificao correta. No processo de Boosting, os modelos fracos formam um modelo mais forte de maneira iterativa. Os modelos fracos sao escolhidos iterativamente, de forma que cada modelo ´e escolhido levando-se em conta vi´eses independentes. Ou seja, cada modelo componente realiza erros diferentes de outros modelos componentes.
Utlização de K-fold para validação
Durante a execução o erro de aprendizagem tende a diminuir enquanto as métricas levantadas começam a aumenta e a entrar em equilíbrio maximizando o desempendo do modelo executado.
Conclui-se que o medelo executou o que foi proposto, aumentou as métricas de forma equilibrada na medida que diminuiu a taxa de erro