adaboost的计算步骤

 ：第1个分类器的第 i 个样本的权重，初始样本的权重对第一个分类器都是 

  ： 错误率，即分类错误概率的求和（预测值不等于真实值）  

 ：分类器的权重，通过第二部的公式，  其取值范围为 0 到 1 ，  的取值范围是 -1 到 1

1. 初始化  =  ;

2. 在第 t 步， 选择可以最小化当前错误率  的弱分类器（也就是说，通过划分特征，一个个去分类，统计得到划分各个特征的错误率，然后选择错误率最低是分类器，这步主要是通过错误率  选择好的划分特征），并添加这个弱分类器， 以降低错误率（如果有弱分类器，那就创建一个），并计算  ，  = ， 因为   是第i个样本的权重，全部样本相加得到第t个分类器的错误率，所以样本权重高的决定了这个分类器的权重。定义新的弱分类器为

 

3. 计算新的数据样本权重         ,     如果真实值等于预测值，则权重减少，如果真实值不等于预测值，则权重增加（更加关注分类错误的样本，降低关注分类正确的样本）

4. 回到第2，直到收敛

5. 得到的模型为：