boosted_classifier.h

   1
   2 ///////////////////////////////////////////////////////////////////////////
   3 // This program is free software: you can redistribute it and/or modify  //
   4 // it under the terms of the version 3 of the GNU General Public License //
   5 // as published by the Free Software Foundation.                         //
   6 //                                                                       //
   7 // This program is distributed in the hope that it will be useful, but   //
   8 // WITHOUT ANY WARRANTY; without even the implied warranty of            //
   9 // MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE. See the GNU      //
  10 // General Public License for more details.                              //
  11 //                                                                       //
  12 // You should have received a copy of the GNU General Public License     //
  13 // along with this program. If not, see <http://www.gnu.org/licenses/>.  //
  14 //                                                                       //
  15 // Written by Francois Fleuret, (C) IDIAP                                //
  16 // Contact <francois.fleuret@idiap.ch> for comments & bug reports        //
  17 ///////////////////////////////////////////////////////////////////////////
  18
  19 /*
  20
  21   This class is an implementation of the Classifier with a boosting of
  22   tree. It works with samples from R^n and has no concept of the
  23   pi-features.
  24
  25 */
  26
  27 #ifndef BOOSTED_CLASSIFIER_H
  28 #define BOOSTED_CLASSIFIER_H
  29
  30 #include "classifier.h"
  31 #include "sample_set.h"
  32 #include "decision_tree.h"
  33 #include "loss_machine.h"
  34
  35 class BoostedClassifier : public Classifier {
  36 public:
  37
  38   int _loss_type;
  39   int _nb_weak_learners;
  40   DecisionTree **_weak_learners;
  41
  42 public:
  43
  44   BoostedClassifier(int nb_weak_learners);
  45   BoostedClassifier();
  46   virtual ~BoostedClassifier();
  47
  48   virtual scalar_t response(SampleSet *sample_set, int n_sample);
  49   virtual void train(LossMachine *loss_machine, SampleSet *train, scalar_t *response);
  50
  51   virtual void tag_used_features(bool *used);
  52   virtual void re_index_features(int *new_indexes);
  53
  54   virtual void read(istream *is);
  55   virtual void write(ostream *os);
  56 };
  57
  58 #endif