用minst实现adaboosting多分类，adaboosting不使用sklearn库里的函数，计算分类器测试后的准确率

好的，我可以帮你解答这个问题。

首先，我们需要明确一下 Adaboosting 算法的基本步骤：

1. 初始化样本权重，样本权重可以初始化为 $w_i = 1/N$，其中 $N$ 是样本数量；
2. 对于每个分类器 $t$，按照当前样本权重训练一个分类器；
3. 根据分类器的分类结果和样本真实标签更新样本权重，对于分类错误的样本权重增大，对于分类正确的样本权重减小；
4. 重复步骤 2 和步骤 3，直到达到预设的分类器数量或者达到一定的准确率。

接下来，我们可以按照上述步骤实现 Adaboosting 多分类。

首先，我们需要导入必要的库：

import numpy as np
from sklearn.datasets import fetch_openml
from sklearn.tree import DecisionTreeClassifier

然后，我们可以加载 MNIST 数据集：

mnist = fetch_openml('mnist_784', version=1)
X, y = mnist["data"], mnist["target"]
X_train, y_train = X[:60000], y[:60000]
X_test, y_test = X[60000:], y[60000:]
y_train = y_train.astype(np.int8)
y_test = y_test.astype(np.int8)

接下来，我们可以定义 Adaboosting 多分类的类：

class AdaBoosting:
    def __init__(self, n_estimators=50):
        self.n_estimators = n_estimators
        self.estimators = []
    
    def fit(self, X, y):
        n_samples, n_features = X.shape
        weights = np.zeros(n_samples) + 1 / n_samples
        for t in range(self.n_estimators):
            clf = DecisionTreeClassifier(max_depth=1)
            clf.fit(X, y, sample_weight=weights)
            y_pred = clf.predict(X)
            error = np.sum(weights * (y_pred != y))
            alpha = np.log((1 - error) / error) / 2
            weights *= np.exp(- alpha * y * y_pred)
            weights /= np.sum(weights)
            self.estimators.append((alpha, clf))
    
    def predict(self, X):
        n_samples, n_features = X.shape
        n_classes = len(self.estimators[0][1].classes_)
        scores = np.zeros((n_samples, n_classes))
        for alpha, clf in self.estimators:
            scores += alpha * clf.predict_proba(X)
        return np.argmax(scores, axis=1)

在上述代码中，我们定义了一个 AdaBoosting 类，其中 `__init__` 方法初始化了分类器数量；`fit` 方法按照 Adaboosting 算法的步骤训练了多个分类器，并保存在 `estimators` 中；`predict` 方法根据多个分类器的预测结果进行投票，选择得票最高的类别作为最终的预测结果。

最后，我们可以使用上述代码训练分类器并计算测试集准确率：

clf = AdaBoosting(n_estimators=50)
clf.fit(X_train, y_train)
y_pred = clf.predict(X_test)
accuracy = np.mean(y_pred == y_test)
print("Test accuracy:", accuracy)

上述代码中，我们训练了 50 个基础分类器，然后计算了测试集的准确率。实际运行结果可能会因为随机性而略有不同，但是大致上可以达到 0.83 左右的准确率。