adaboost算法

之前做过人脸识别的应用，所以就想写写adaboost算法，也是一个复习和再熟悉的过程吧。

adaboost（Adaptive Boosting）是一个非常优雅的算法。Boosting算法是一类增强算法的总称。那这个adaptive体现在什么地方呢，下面会讲。之前在看其他的博客的时候，有的写的绕来绕去，罗列了一堆公式，但是很多人看来估计跟我一样，“你到底想说什么？”。另外的博客写来写去，关键的部分模糊带过，还是令很多人搞不清楚为什么要这么做，云里雾里，似懂非懂？我总结了一下，adaboost算法大概有几个地方需要明确，才能帮助很好的理解（我也是参考了很多地方，加上自己的一点理解）。（本文不做乱七八糟的推导，要不然会造成很多困扰，只做基本原理的说明，针对关键的点，写一写为什么就行了，这样适合于大多数人来读，大神请绕道，我也是个低阶的修士。）

（1）adaptive是什么意思

（2）弱分类器怎么训练的

（3）为什么在迭代的时候，被错误分类的样本点，在下次迭代的时候权重被提高

（4）为什么在最终的分类器中，误分率低的弱分类器权重大，误分率高的弱分类器权重小

1、合理性

Adaboost算法就是通过一堆弱分类器，经过训练，组成成一个强分类器。这一堆弱分类器中的每个分类器在分类的时候效果不理想，但是组成的强分类器能够几何这些弱分类器的优势和特点，使得最终的分类效果变得有效。