Використання Adaboost з SVM для класифікації

Я знаю, що Adaboost намагається генерувати сильний класифікатор, використовуючи лінійну комбінацію набору слабких класифікаторів.

Однак я прочитав деякі документи, які пропонують Adaboost і SVM працювати в гармонії (навіть якщо SVM є сильним класифікатором) у певних умовах та випадках .

Я не в змозі зрозуміти з архітектурної та програмної точки зору, як вони працюють у поєднанні. Я прочитав багато робіт (можливо, неправильних), які не пояснили чітко, як вони працюють разом.

Чи може хтось кинути світло на те, як вони працюють у поєднанні для ефективної класифікації? Вказівки на деякі статті / статті / журнали також будуть вдячні.

Цей папір досить непоганий. Це просто говорить про те, що SVM можна розглядати як слабкий класифікатор, якщо ви використовуєте менше зразків для його підготовки (скажімо, менше половини навчального набору). Чим вище ваги, тим більше шансів навчитися «слабким СВМ»

редагувати: посилання виправлено зараз.

Паперовий адаптер AdaBoost з класифікаторами компонентів на основі SVM Xuchun Li etal також дає інтуїцію.
Короткий, але, можливо, необ’єктивний підсумок: вони намагаються зробити класифікатори svm "слабкими" (трохи більше 50%), налаштовуючи параметри, щоб уникнути випадків, коли один класифікатор може мати занадто велику вагу, або всі класифікатори спрацьовують однаково.