这一章主要讲boosting提升方法，代表方法是AdaBoost算法，我会从算法的本质去解释算法，尽量用简单的语言其描述，具体推导过程参考原文。
提升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(又称为基本分类器)，然后组合这些弱分类器，构成一个强分类器。
一、 提升方法AdaBoost（AdaptiveBoosting）算法
第一部分主要简述算法的过程，这个算法的本质是把训练好的一些弱分类器集成起来，达到一个好的效果。算法的关键是点是样本权重的修改，以及各个过分类如何加权集成。
样本权重：AdaBoost的做法是，提高那些被前一轮弱分类器错误分类样本的权值，而降低那些被正确分类样本的权值。这样一来，那些没有得到正确分类的数据，由于其权值的加大而受到后轮的弱分类器的更大关注。于是，分类问题被一系列的弱分类器“分而治之”。
弱分类器的组合：AdaBoost采取加权多数表决的方法。具体地，加大分类误差率小的弱分类器的权值，使其在表决中起较大的作用，减小分类误差率大的弱分类器的权值，使其在表决中起较小的作用
二、 AdaBoost算法的训练误差分析
这里推导出来AdaBoost的训练误差是以集成弱分类器个数指数速率下降。这也是算法广泛应用的原因。
三、AdaBoost算法的解释
这里解释了AdaBoost算法是前向分步加法算法的特例。这时，模型是由基本分类器组成的加法模型，损失函数是指数函数。
同时这里用数学公式解释了AdaBoost里面样本权重更新以及弱分类器集成权重公式的由来。就是最小化误差函数计算得到。
四、提升树：提升树是以分类树或回归树为基本分类器的提升方法。（简单说就是用提升方法，把决策树集成起来）
1，提升树模型：提升方法实际采用加法模型(即基函数的线性组合)与前向分步算法。以决策树为基函数的提升方法称为提升树(boosting tree)。对分类问题决策树是二叉分类树，对回归问题决策树是二叉回归树。
2，提升树算法：提升树算法采用前向分步算法。不同问题的提升树学习算法主要区别在于使用的损失函数不同。包括用平方误差损失函数的回归问题，用指数损失函数的分类问题，以及用一般损失函数的一般决策问题。
二类分类问题：提升树算法只需将AdaBoost算法中的基本分类器限制为二类分类树即可，是AdaBoost算法的特殊情况。
回归问题的提升树算法：求解经验风险极小化的问题只需简单地拟合当前模型的残差（也就是去拟合当前模型的残差）
3，梯度提升：当损失函数是平方损失和指数损失函数时，每一步优化是很简单的，此时的提升树利用加法模型与前向分步算法实现学习的优化过程。当一般损失函数而言，这样并不容易，采用最速下降法的近似方法，其关键是利用损失函数的负梯度在当前模型的值作为残差的近似值。