首先来介绍一下adaboost
Boosting 是一族可将弱学习器升为强学习器算法。这类算法的工作机制类似：
（1）先从初始训练集训练出一个基学习器
（2）在根据基学习器的表现对训练样本分布进行调整，使得先前基学习器做错的训练 样本在后续得到最大的关注。
（3）然后基于调整后的样本分布来训练下一个基学习器；
（3）如此重复进行，直至基学习器数目达到实现指定的值 T 为止。
（4 ）再将这 T 个基学习器进行加权结合得到集成学习器。
Boosting 算法的著名代表就是 Adaboost 算法。
因此，对于 Boosting 算法，存在两个问题：
1. 在每一轮中如何调整训练集，使训练的弱分类器得以进行；（调整样本权值）
2. 如何将各个弱分类器联合起来形成强分类器。 （调整模型权值）
AdaBoost(adaptive Boosting)自适应boosting，AdaBoost 把多个不同的弱分类算法，用一种非随机的方式组合起来，表现出惊人的性 能。
1，可以使用各种方法构建子分类器,Adaboost 算法提供的是框架；
2，子分类器容易构造；
3，速度快，且基本不用调参数；
4，泛化错误率低。
adaboost的使用步骤：
（1）先从初始训练集训练出一个基学习器
（2）在根据基学习器的表现对训练样本分布进行调整，提高错误样本数量，提高正确分类器的权重，然后进行下一次的计算。如此重复进行，直至基学习器数目达到实现指定的值 T 为止。
（3 ）再将这 T 个基学习器进行加权结合得到集成学习器。
重点：为什么要提高错误样本的个数来降低错误率呢？
adaboost之所以每次训练后，将分类器错误的权值加大，是因为如果加大后，下一次计算的错误率就会加大，这样，在我们最后一步分类器的整合的时候，它整合原理就是加大误差率小的权重，减少误差率大的权重，这样误差率大的在整体的分类器中占得比率就下降了，整体的误差就下降了。
具体点：
1.错误率x=未正确分类的样本/所有样本；
2.使用权重系数alpha计算公式：a=1/2log(1-e/e),其中e就是错误的样本， 这个函数式递减函数，即e越大a越小，
3.整合公式：H（x）=sign(sum(a * h(x)));(可以查一下公式)
所以在最后一次的分类器的整合的时候，对应的错误的分类器所占得比率就会降低，而整体的错误率就会降低。adaboost的原理就是基于boosting 之上将多个弱分类器整合一起成为强分类器，其实多个弱学习器通过组合也可以成为强学习器。
这里提高错误点的权值，当下一次分类器再次分错了这些点之后，会提高整体的错误率，这样就导致 a 变的很小，最终导致这个分类器在整个混合分类器的权值变低。
也就是说，这个算法让优秀的分类器占整体的权值更高，而错误率高的分类器权值更低。整体的错误率就高了。