深入解析：机器学习算法之Boosting
Boosting（提升方式）是一类方法的总称，并不是具体算法。
它的核心思想就是串联多个弱学习器，每个学习器都针对前一轮的误差进行改进，AdaBoost 就是 Boosting 的早期代表。
一、 Adaboost
通过AdaBoost是最早的 Boosting 算法之一，主要用于分类（也能够做回归，例如AdaBoost.R2）。
它的基本思想是**调整样本权重，聚焦难分样本。**它的执行过程：
1、初始化每个训练样本的权重相同，训练一个弱学习器（通常是决策树桩，即深度=1的小树）；
2、得到该弱学习器后，计算这个弱学习器的错误率ε_t，以及该弱学习器的权重，公式如下图中第一、第二个公式所示；并与真实标签进行对比，正确样本给于更小权重，错误样本给于更大权重。更新公式如下图第三个公式所示；
3、利用调整后的权重，再训练一个弱学习器；
4、重复2-3步骤，直到错误率为0或者达到最大迭代次数；
5、最终结果 = 各学习器按权重加权投票。
重要结论：
1、AdaBoost是一个串行化迭代基于前一个弱学习器的正确率来调整后的结果（这有点像RL的过程，RL鼓励agent每一步都采取正确的动作，以获得奖励）。它更关注于错误样本，因而给予错误样本更大的权重。就是的结果，因为每一个弱学习器的训练信息的权重，都
2、AdaBoost展示了模型从弱到强的过程，由欠拟合到拟合较好的过程。