Adaboost算法 弱分类器

Adaboost是一种集成学习（ensemble learning）方法，它通过将多个弱分类器组合起来形成一个强分类器。弱分类器是指分类效果略好于随机猜测的基本分类器。

具体而言，Adaboost的算法流程如下：
1. 初始化训练集的权重分布，通常将每个样本的权重初始化为相等值。
2. 对于t=1到T（T为迭代次数）：
a. 使用当前样本权重分布训练一个弱分类器，将错误分类的样本的权重调整增大。
b. 根据分类器的错误率计算其在最终分类器中的权重。
c. 更新训练集的权重分布，将被错误分类的样本的权重调整增大。
3. 最终将所有弱分类器按其权重加权组合成一个强分类器。

Adaboost的核心思想是通过迭代训练一系列弱分类器，并根据其表现调整样本的权重，使得那些在前一轮中分类错误的样本在后续轮次中得到更多关注。这样，在最终的强分类器中，这些被错误分类的样本会得到更多的关注和纠正，从而提高整体分类性能。

Adaboost算法的优点是能够处理高维度数据和复杂的分类问题，并且不容易发生过拟合。然而，它对噪声和异常值比较敏感，需要选择合适的弱分类器，并且在处理大规模数据集时计算量较大。