在分类问题中，通过 改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类性能。

8.1 提升方法AdaBoost算法

8.1.1 提升方法的基本思路

提升方法基于这样的一种思想：对于一个复杂任务来说，将多个专家的判断进行适当的综合所得出的判断，要比其中任何一个专家单独的判断好。

在概率近似正确（probably approximately correct，PAC）学习的框架中，一个该娘（一个类），如果存在一个多项式的学习算法能够学习它，并且正确率很高，那么就称这个概念是强可学习（strongly learnable）的；一个概念，如果存在一个多项式的学习算法能够学习它，学习的正确率仅比随即猜测略好，那么就称这个概念是弱可学习（weakly learnable）的。

在PCA学习的框架下，一个概念是强可学习的充分必要条件是这个概念是弱可学习的。

发现弱学习算法通常要比发现强学习算法容易得多。

大多数的提升方法，都是改变训练数据的概率分布（训练数据的权值分布），针对不同的训练数据分布调用弱学习算法学习一系列弱分类器。

8.1.2 AdaBoost算法

算法8.1 (AdaBoost）

α_m表示表述G_m(x)在最终分类器中的重要性。