アダブーストは（アダプティブ昇圧）（リフト）ファミリを高める重要なアルゴリズムです。コアアルゴリズムは、家族シリアル学習者トレーニングを高めている学習者の学習が上記学習者の前に基本を学習に基づいてされた後、「巨人の肩の上に立つ」として理解することができ、袋詰めの学習者に対応し、学習なしデバイス間の依存関係。
アダブースト基本的なプロセス記述
昇圧の基本的なプロセスを見てみましょう：
まず、全体のプロセスについて、アダブースト学習を来ました：
データは、設定したT = {（X1、Y1）、（X2、Y2）、（X3、Y3）、...（XM、YM）}。
ステップ1：設定されたサンプルの重み
初期化サンプル量（サンプル重量）D = {ω11、ω12、...、ω1m}、ω1i= 1 / Mであり、重み= 1だけでなく、初期の和が、後者の目的を確実にするために標準化されるωの和1;
ステップ2：トレーニングデータ
弱い学習者が意思決定ツリー（決定木）を使用する場合には、データを用いて、Tトレーニングモデルは、入ってくるサンプル重量ながらDは、例えば、（T、D）適合を呼び出しています。
第3のステップは：学習の重みを計算します
モデルが訓練された後、エラー率（全サンプルの統計を）最初の重みを計算計算するために、モデル（学習者）の重みを計算する必要があります。
Gkの（XI）≠Yiは、次いで、I（・）である場合、私ωki右I（・）は指標関数代表であるk番目のホイール学習訓練重量で（M個のサンプルがある）ここで示されるサンプルそうでない場合は0、サンプルの重みの合計とエラーレートが間違って判断します。
以下の式は、重み学習（GK（X））の重量を計算するために使用されます。
αK=（1/2）人[（1 - ）/]
上記の式を介して、我々は大きいのEK、小さいαKの値を知ることができ、より高いエラーレート学習の重みは、予想に沿ってある、比較的小さいであろう。私たちは罰金を分析する場合、あなたは見つけることときEK =（エラーレートが半分であるが）分界点αK= 0で0.5;この手段はそのEK <= 0.5、そこαK> = 0。逆に、EK> 0.5（比較的高い誤り率）場合、αK<0。
ステップ1に戻る：設定されたサンプルの重み
这里其实又回到了第一步，设置下一轮学习器的权重，只不过此时不再是第一步的取平均值，完成当前轮的学习之后要更新下一轮学习的样本权重，公式如下式所示：
这里的Zk就是一个标准化因子，目的是让Σωk+1,i = 1，所以你可以看到Zk的项公式其实和ωk+1分子的形式是一模一样的。对于ωk+1,i是有两种结果：
分类正确 => ωk+1,i = ωk,i * exp(-αk) => exp(-α) < 0 => 权重值减小；
分类错误 => ωk+1,i = ωk,i * exp(αk) => 分类错误，权重增加。
备注一下，yi和Gk(xi)返回的都是±1，所以相乘结果也是±1，同号（判断分类结果一直）则为1，异号（分类结果不一致）则为-1
然后基于这个样本权重进行下轮学习和模型Gk+1(x)的构建。
需要强调一下，boosting学习器里面获取重点是训练样本的权重，是的，每一个样本的权重；其实boosting里面的弱学习器之间并没有强弱之分，差别的本质在于他们所学的样本，虽然样本都是一套（所有的弱学习器都是同一套样本训练出来的，所以学习器本身没有优良之分），但是样本的权重却是不同的，对于决策树（adaboost的弱学习器一般选择决策树或者神经网络），在进行节点拆分，分析特征值的时候，都会使用特征值*权重之后来进行分析。
adaboost是一个迭代算法，是通过多轮学习来构建模型；比如目标是训练出来K个学习器那么就需要学习K轮；
最后一步：获取强学习器
最后经过N轮学习之后，会收获N个弱学习器，最终模型如下：
这里是二元分类的模型函数，最终根据函数的正负号来判断分类。其中αk是学习器的权重，Gk(x)则是学习器的（一颗决策树或者一个神经网络）。累加权重学习器的值，根据正负号来进行分类。
弱学习器开始的时候因为样本*权重的分布问题，开始错误率将会非常高，但是后来随着权重不断的优化，权重样本的分布将会越来越合理，错误率将会越来越低。不过注意，作为adaboost的学习器，最终的结果是各个学习器结果*学习器权重之后来获取的，对于早期的学习器他们的权重αk值将会很低，后来随着错误率的减小，权重将会越来中。
Adaboost原理 - αm的推导
αm的推导要从理解Adaboost分类算法以及损失函数说起，可以用三个点来描述：
1. 加法模型；
2. 分步向前；
2. 指数损失函数；
第一个加法模型没有问题，因为我们的目标函数是弱学习器和权重乘积之和：
第二个分步向前，每一轮的强学习器的结果的获取，都是基于之前累积的结果，数学表达如下：
根据上面两个表达式，可以推知：
第三个是损失函数为指数函数，有了前面两个作为基础，我们再来看一下Adaboost是如何基于损失函数形式来推导αm（弱学习器权重）：
loss(αk, Gk) = argminΣexp(-yi * fk(x))
对于fk，基于分步向前推导，可以对其进行fk-1的变形：
loss(αk, Gk) = argmin Σexp[-yi * (fk-1(x) + αk*Gk-1(x))] 这里，i=1...m
loss(αk, Gk) = argmin Σ{exp[-yi * (fk-1(x)] * exp[(-yi) * αk * Gk-1(x))]} 这里，i=1...m
这里因为已经推倒到了k轮，所以fk-1和yi都是常量，所以我们把它简化设置为ω':
loss(αk, Gk) = argmin Σω' * exp[(-yi) * αk * Gk-1(x))] 这里，i=1...m
我们首先来求解一下Gk(x):
Gk(x) = argmin Σw' * I(yi ≠ f(xi))
这个Gk公式说明了如果正确分类了yi*Gk(xi) = 1，否则yi*Gk(xi) = -1;这里解释一下，对于二元分类而言，yi = ±1，弱学习器比如决策树，Gk(xi) = ±1，所以yi*Gk(xi)一定是只能=±1。
此时损失函数成为了两部分之和，一部分是弱学习器正确分类部分，另外一部分是错误分类部分。然后对其进行标准化，有：
这一步的演化我花了很长时间才明白，注意上上式的Loss的Σ的范围是yi=Gm(xi)以及yi≠Gm(xi)，到了上式取值范围扩充为了i=[1, N]，其实两个式子是等价的，在i=[1, N]的范畴内，表达y=Gm(xi)就是：
在i=[1, N]的范围内表达yi≠Gm(xi)与之类似：
除此之外，你还会发现上式其实就是ek的表达式，那么上上式就是1-ek的表达式，也是Loss可以简化表达为：
Loss = Σ[ω * ((1- ek) * exp(-αm) + ek * exp(αm))]
然后对Loss的α求导，令导数 = 0
ω = 0 或者(ek-1) * exp(αm) + ek * exp(αm) = 0
这里注意exp(-α)求导后变成了exp(α）（自然指数的导数还是其自身，但是符号将会被提取出来），Loss里面的(1 - ek)变成了(ek -1)。
继续，我们推到(ek - 1) * exp(αm) + ek * exp(αm) = 0，两边去对数(ln)有：
ln[(ek - 1)*exp(αm)] + ln[ek * exp(αm)] = 0 =>
ln (ek-1) + log[exp(αm)] + ln(ek) + log(exp(αm)) = 0 =>
-ln(1 - ek) + αm + ln(ek) + αm = 0 =>
αm = (1/2)ln[(1 - ek)/ek]
Adaboost正则化
原始公式如下：
fk+1(x) = fk(x) + αkGk(x)
添加正则项就是在最后一项增加系数v
fk+1(x) = fk(x) + vαkGk(x)，v∈[0, 1]
Adaboost背后原理未知
但是这里有一个问题，adaboost其实本质是通过改变样本的分布来提高弱学习器的分类能力；那么未来新的数据到来如果不符合历史的数据分布怎么办呢？那么预测的结果是不是会偏差比较大呢？Adaboost背后的原理还是需要深入搞清楚。
参数设置（sklearn）
弱学习器类型指定
通过base_estimator，默认分类是CART分类树，回归是CART归回树；如果是其他需要注入如果算法指定了SAMME.R，这里指定的学习器需要支持概率预测。也就是模型（学习器）支持predict_proba函数。
SAMME vs. SAMME.R
SAMME和SAMME.R都是sklearn里面实现Adaboost的分类算法，默认SAMME.R，该算法采用的基于样本集的预测概率作为机器学习权重，这个和SAMME的基于样本集分类结果为基础来计算权重算法有不同，但是.R的方法计算速度会快一些，所以.R作为了默认的算法。在sklearn里面可以通过algorithm参数来指定相应的算法。
弱学习器的数量
通过n_estimator来进行指定（和随机森林里面要创建几棵树的参数名一样）。
附录
对数性质
参考：
https://www.cnblogs.com/pinard/p/6133937.html 刘建平的adaboost说明
https://www.cs.utexas.edu/~dpardoe/papers/ICML10.pdfAdaboost回归算法论文
https://zhidao.baidu.com/question/365096902.html 指数取对数公式
详细的手推过程
https://www.cnblogs.com/ScorpioLu/p/8295990.html
https://blog.csdn.net/weixin_38381682/article/details/81275905