Adaboost

资 源 简 介

Adaboost

详 情 说 明

Adaboost（Adaptive Boosting）是一种经典的集成学习算法，通过迭代训练多个弱分类器并调整样本权重来构建强分类器。其核心思想是让后续的弱分类器更关注前序分类错误的数据点，最终将所有弱分类器加权组合形成高精度模型。

算法流程可分为四个关键步骤：首先初始化样本权重为均匀分布；然后循环训练弱分类器，计算其分类误差并更新样本权重（增加误分类样本权重、减少正确分类样本权重）；接着根据误差率为当前弱分类器分配权重；最后将带权重的弱分类器线性组合。这种自适应的权重调整机制使Adaboost特别适合处理分类边界复杂的问题。

Adaboost的优势在于能有效降低偏差，对噪声数据和异常值具有一定鲁棒性，且不易过拟合。典型应用场景包括人脸检测、文本分类等领域。需注意该算法对弱分类器的选择较敏感，建议使用计算简单的基模型（如决策树桩）以保证效率。