adaboost

Adaboost（Adaptive Boosting）是一种集成学习方法，通过结合多个弱分类器来构建一个强分类器。其核心思想是针对训练数据中的错误分类样本进行加权，使得后续的弱分类器更加关注这些难以分类的样本。在每一轮迭代中，Adaboost会训练一个新的弱分类器，并根据其在训练集上的表现计算其权重。最后，所有弱分类器的预测结果将根据其权重进行加权求和，得到最终的强分类器。Adaboost具有简单、高效、不易过拟合的特点，广泛应用于二分类、多分类和回归问题。