AdaBoost是數(shù)據(jù)挖掘領(lǐng)域最常見的提升算法之一。對傳統(tǒng)AdaBoost將各個基分類器線性相加所存在的不足進行分析，并針對AdaBoost各個弱分類器的加權(quán)方式提出新的改進，將傳統(tǒng)的線性相加改為非線性組合，把從學習過程得到的固定不變的權(quán)重系數(shù)改為由預(yù)測階段的具體實例決定的動態(tài)參數(shù)，該參數(shù)基于待測實例K近鄰的分類結(jié)果統(tǒng)計，從而使各個基分類器的權(quán)重更貼近當前待測實例的實際可靠度。實驗結(jié)果表明，與傳統(tǒng)AdaBoost相比，提出的非線性改進算法對不同數(shù)據(jù)集均有不同程度提升，提升最高的達到了7個百分點。由此證明，提出的改進是一種更加準確的分類算法，對絕大多數(shù)數(shù)據(jù)集均能得到更高的分類準確率。