基本思想
回忆袋装技术：
根据重抽样自举法（各观测被抽到的概率相等1/n）建立k棵树，最后这k棵树各自对数据进行预测，预测结果根据少数服从多数规则得出最终结果。
对袋装技术的改进–boosting:
boosting也是进行重抽样，但是希望每次抽样，能较大概率的抽到预测错误的观测,即加入了权重的概念。
建模过程：
第1次抽样：各观测被抽到的概率相等，都是1/n，建立第1棵树，对数据进行预测，计算此时模型的预测错误率e1
第2次抽样：上一步预测正确的观测，被抽到的概率不变1/n；预测错误的观测被抽到的概率1/n*（1-e1）/e1,抽样结束后，建立第2棵树，对数据进行预测，计算此时模型的预测错误率e2
第3次抽样：重复第2步
…
当ei>0.5或ei=0时，停止迭代
预测过程：
对新数据进行预测时，k个模型各自分别进行预测，计算预测各自的预测误差率ei，进而得出各模型的权重wi: Breiman法 ：1/2log((1-ei)/ei）;Freund法：log((1-ei)/ei)
则新数据中，对于其中任一观测X，k个模型将有k个预测值ci和权重wi，对于分类问题，分别计算各类别的权重总和，最终取权重总和最高的类别作为预测结果。对于回归问题，最终取值=各预测值的加权平均值
R实现：
adabag包中的boosting 函数
boosting（输出变量名～输入变量名，data=数据框名，mfinal=重复次数，boos=TRUE,coeflearn=模型权重调整方法，control=参数对象名）