很好理解，就是将一些基本的性能一般的弱分类器组合起来，来构成一个性能较好的强分类器；这其中如果数据一样的话那不是每次训练出的分类器就都一样了嘛，所以在每次训练后要根据训练结果来改变数据的权重；还有一个关键点是通过什么方法来组合这些弱分类器．
由8.2可看出错误率$e_m$越小，$\alpha_m$就越大，又8.4看出权值与$\alpha_m$成反比，所以分类正确的数据在下轮分类中权重减小，而这就是改变权重的原理；规范化因子实际上就是凑出来为了使权值求和为１而已；且在最终对分类器进行线性组合时，又和$\alpha_m$有关，因此错误率小的分类器起的作用会更大；还要注意$\alpha_m$求和不为１，而是以它的符号决定分类出的结果？？？；要注意这里的第ｎ轮分类器更可能分对第ｎ－１轮未分对的数据，但它不能保证之前分对的数据还是能分对；
一个例子
概算发的误差分析(表示看不太懂)
介绍了下前向分布算法，不难理解．
这里它证明了adaboost算法就是前向分布加法算法的特殊例子，这里比较想不通的就是为什么它的损失函数是指数函数，好在文中给出了证明，关键就是在损失函数(指数函数)最小化时，得到的$\alpha_m$和$G_m(x)$就是adaboost算法所得到的$\alpha_m$和$G_m(x).
这里实际上就是对所有决策树进行累加，得到最终的结果．
这里一个关键点就是理解残差，实际上它指的是之前形成的提升树的估计值与实际值之前的差距（而在当前步就是对这个差距进行拟合）；GBDT思想的一个比方：假如有个人30岁，我们首先用20岁去拟合，发现损失有10岁，这时我们用6岁去拟合刚才剩下的损失(10)，发现差距还有4岁，第三轮我们用3岁拟合刚才剩下的差距(4)，差距就只有一岁了。如此反复下去，每一轮迭代都是可以减小差距的．
https://blog.csdn.net/qq_39521554/article/details/80714945 这篇博客中的例子也很好，明确说明最终提升树的预测值是每个决策树的结果的累加，每一次生成决策树都是在之前得到的残差之上进行拟合得出的．
这里就是相当于更一般的情况，即当损失函数过于一般，每一步都不好拟合时，则用负梯度作为ｉｅ残差的近似值进行拟合．可参考这篇博客 https://www.jianshu.com/p/0e5ccc88d2cb．
参考：
https://www.cnblogs.com/pinard/p/6140514.html 打的那个年龄比方很好
https://blog.csdn.net/qq_39521554/article/details/80714945 例子挺好的
https://www.jianshu.com/p/0e5ccc88d2cb 讲解梯度提升那块比较详细