提升的方法就是从弱学习算法出发，反复学习，得到一系列弱分类器（基本分类器），然后组合这些弱分类器，构建一个强分类器。大部分提升方法都是改变训练数据的概率分布（权值分布），根据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。
集成学习按照个体学习器之间是否存在依赖关系可以分为两类，第一个是个体学习器之间存在强依赖关系，另一类是个体学习器之间不存在强依赖关系。前者的代表算法就是是boosting系列算法。在boosting系列算法中， Adaboost是最著名的算法之一。Adaboost既可以用作分类，也可以用作回归。
- 首先从训练集用初始权重训练出一个弱学习器1
- 根据弱学习的学习误差率表现来更新训练样本的权重，使得之前弱学习器1学习误差率高的训练样本点的权重变高，使得这些误差率高的点在后面的弱学习器2中得到更多的重视。
- 然后基于调整权重后的训练集来训练弱学习器2.
- 如此重复进行，直到弱学习器数达到事先指定的数目T，最终将这T个弱学习器通过集合策略进行整合，得到最终的强学习器。
不过有几个具体的问题Boosting算法没有详细说明。
1）如何计算学习误差率e?
2) 如何得到弱学习器权重系数α?
3）如何更新样本权重D?
4) 使用何种结合策略？
只要是boosting大家族的算法，都要解决这4个问题。那么Adaboost是怎么解决的呢？
Adaboost算法的基本思路
对于提升来说要回答两个问题：
-
每一轮如何改变数据的权值或概率分布
Adaboost做法：提高那些前一轮弱分类器错误分类样本的权值，降低那些正确分类样本的权值。
-
如果将弱分类器组合成一个强分类器
Adaboost做法：采用加权多数表决，加大分类误差率小的弱分类器的权值，使得在表决中起较大作用，减少分类误差率大的权值。
Adaboost的分类问题
Adaboost的回归问题
Adaboost的例子
参见：http://blog.csdn.net/tiandijun/article/details/48036025
图中，“+”和“-”分别表示两种类别，在这个过程中，我们使用水平或者垂直的直线作为分类器，来进行分类。
-
1.第一步：
算法最开始给了一个均匀分布 D 。所以h1 里的每个点的值是0.1。ok，当划分后，有三个点划分错了，根据算法误差表达式
20170810150233311288908.pngɛ1 = 0.1 + 0.1 + 0.1 = 0.3
20170810150233319276303.pngɑ1 = 0.42
根据分类的正确率，得到一个新的样本分布D2，一个子分类器h1
20170810150233296155933.png划圈的样本表示被分错的，右图中 比较大的“+”表示对该样本做了加权。
更新权值分布：
每个样本的新权值是变大还是变小，取决于它是被分错还是被分正确。
20170810150233328843860.png即如果某个样本被分错了，则yi * Gm(xi)为负 负负等正，结果使得整个式子变大（样本权值变大），否则变小。
分错的权值变大，在下一轮的弱分类器得到更大的关注。
第一轮迭代后，最后得到各个数据新的权值分布**D2 **= (0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.0715, 0.1666, 0.1666, 0.1666, 0.0715)。由此可以看出，因为样本中是数据“6 7 8”被G1(x)分错了，所以它们的权值由之前的0.1增大到0.1666，反之，其它数据皆被分正确，所以它们的权值皆由之前的0.1减小到0.0715。
分类函数f1(x)= a1*G1(x) = 0.42G1(x)。
此时，得到的第一个基本分类器sign(f1(x))在训练数据集上有3个误分类点（即6 7 8）。
从上述第一轮的整个迭代过程可以看出：被误分类样本的权值之和影响误差率，误差率影响基本分类器在最终分类器中所占的权重。（误差率越小，在最后的模型中，起到的作用越大）
-
2.第二步：
根据分类的正确率，得到一个新的样本分布D3，一个子分类器h2
20170810150233361894605.png -
3.第三步：
20170810150233370676746.png整合所有子分类器：
20170810150233373329112.png
指数损失函数（Adaboost）
分类Adaboost的弱学习器权重系数公式和样本权重更新公式
Adaboost：
-
模型为加法模型，
模型为加法模型好理解，我们的最终的强分类器是若干个弱分类器加权平均而得到的。
-
学习算法为前向分步学习算法
我们的算法是通过一轮轮的弱学习器学习，利用前一个弱学习器的结果来更新后一个弱学习器的训练集权重。也就是说，第k-1轮的强学习器为
$f_{k-1}(x) = \sum\limits_{i=1}^{k-1}\alpha_iG_{i}(x)$
而第k轮的强学习器为:$f_{k}(x) = \sum\limits_{i=1}^{k}\alpha_iG_{i}(x)$
上两式一比较可以得到:
$f_{k}(x) = f_{k-1}(x) + \alpha_kG_k(x)$
-
损失函数为指数函数的分类问题。
20170810150233629280351.png20170810150233646350158.png
Adaboost优缺点
弱学习器的类型。理论上任何学习器都可以用于Adaboost.但一般来说，使用最广泛的Adaboost弱学习器是决策树和神经网络。对于决策树，Adaboost分类用了CART分类树，而Adaboost回归用了CART回归树
Adaboost的主要优点有：
最大的一个优点是可以自动的组合弱分类器
1）Adaboost作为分类器时，分类精度很高
2）在Adaboost的框架下，可以使用各种回归分类模型来构建弱学习器，非常灵活。
3）作为简单的二元分类器时，构造简单，结果可理解。
4）不容易发生过拟合
Adaboost的主要缺点有：
1）对异常样本敏感，异常样本在迭代中可能会获得较高的权重，影响最终的强学习器的预测准确性。
