boosting模型初步理解
什么是boosting模型？
一组“弱学习者”的集合能否生成一个“强学习者”？是一种集成学习模型，通过多个弱学习器训练，最终得到一个强学习器。
boosting模型与bagging模型的区别
1.相比于bagging的并行式、Boosting是序列式的
2.每一轮新的学习器，都在弥补上一轮的不足
弥补的方式是：
为样本分配新的权重如果上一轮分配正确了，就降低其权重；
如果上一轮分配错误了，就提升其权重；
3.最终的强分类器，是所有弱分类器的加权求和，准确率更高的弱学习器，有更大的权重
Adaboost算法思想
- 提高那些被前一轮弱分类器错误分类的样本的权值，降低那些被正确分类的样本的权值；
- 采用加权多数表决的方法。具体的，加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用；减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用。
Adaboost算法流程