AdaBoost是一种准确性很高的分类算法，它的原理是把K个弱分类器(弱分类器的意思是该分类器的准确性较低)，通过一定的组合(一般是线性加权进行组合)，组合成一个强的分类器，提高分类的准确性。
因此，要想使用AdaBoost，需要首先找几个弱的分类器出来，然后进行组合。这些弱分类器，其实可以自己指定，自己随意给出，但效果就不能保证。
要想通过AdaBoost得到一个准确性高的分类器，需要小心设计这些弱分类器。我自己理解，弱分类器可以采用最简单的形式，即二分法（二元分类器），取一个阈值v，某个特征小于v的是一类，该特征大于v的是另一类，至于这个阈值取多少合适，可以通过这个分类器的错误率(被错误分类的样本数除以总的样本数)来决定，若取阈值为v1得到的二元分类器的错误率为e1，而取阈值为v2的错误率e2，若e2<e1，说明v2更合适。还可以多取几个阈值，从中找出最佳的。《机器学习实战》解释了AdaBoost原理，但后面的代码让人不明白它到底在干啥。故自己理解之后，在此记录。
下面两篇文章可以帮助理解AdaBoost的算法过程和原理推导过程：
(1) AdaBoost算法过程： Adaboost算法原理分析和实例+代码
其中，sign(a1*h1(x)+a2*h2(X)+a3*h3(x))，其中sign(*)表示取*的正负号，若*为正数，则sign(*)返回1，否则返回-1。而例子中：
最后的分类器 f3(x)=0.4236h1(x) + 0.6496h2(x)+0.9229h3(x)，这里的h1(x)里面的x只是代表特征的意思，在这个例子中有x1,x2两个特征，因此，应该把两个特征都带进h1,h2,h3当中去。
例如，其中样本9 X9=(9,8),x1=9,x2=8,因此，h1(X)=-1,h2(X)=-1,h3(X)=1，于是f3(x)=0.4236*(-1)+0.6496*(-1)1+0.9229*1=-0.150299<0，因此f3(x)给出的分类结果为-1，分类结果是正确的。
(2) AdaBoost原理和推导： Adaboost 算法的原理与推导
另外，Bagging与Boosting的差别：https://www.cnblogs.com/liuwu265/p/4690486.html