可否就Two_stage_TrAdaboost_R2结果作简要说明 about tradaboost HOT 4 CLOSED

Two_stage_TrAdaboost_R2
算法逻辑遵循两层嵌套循环
外层循环 ： 调整数据权重
同分布数据 同时调整，权重相等（初始权重指定相等的情况下），整体增大
异分布数据 单个调整，整体降低
内层循环 ： 将外层循环的权重做为初始权重，进入Adaboost_R2_r
内层循环中 异分布数据权重不变(受到权重归一化的影响，会等比例缩放）同分布数据权重会独立调整，遵循Adaboost_R2的方法。

在我们的测试例子中，该算法收敛性质并不理想。
本代码中，外层循环的数据权重调整策略：
如果binary search 找到 beta_t， 则按文章中方法调整权重，如果不收敛，则根据指数函数方式调整权重。

相应地， 我们对Two_stage_TrAdaboost_R2做了详细讨论。 并刊印在 材料信息学导论(II) （张统一） 一书（未出版），请关注我们的出版动态，谢谢。
如有问题，请进一步讨论。

from tradaboost.

如果您没有其他问题，我将关闭此issue

from tradaboost.

举一个例子，比如在exp6.py这个文件中，计算所得出的MSE为82.98，这个数据应该处在什么范围内证明算法的的有效性？

from tradaboost.

MSE : Mean Square Error
MSE = 1/n * (sum( (yi - pre_yi) ^ 2 ) for i in range(1-n)
其中 yi 为真实响应， pre_yi为预测响应
可以看出MSE值与真实响应y的量级有直接关系。
例如 :
y的大小在1000左右， MSE 为10说明预测精度很好。若y的大小在10左右， MSE 为10说明预测很差。

代码中采用MSE比较不同模型的回归效果，哪个相对好。
迁移学习后的回归结果是否精准， 预测有效性多大，可以使用多个回归评价指标来判断。一般我们习惯采用决定系数 R2，MAPE, MSE等，sklearn 官网提供丰富的评价指标计算端口 ： scikit-learn.org/stable/search.html?q=metric

不同的指标各有优缺点，可以参考材料信息学导论(I) （线性回归）一章。

from tradaboost.