自适应提升法

自适应提升算法，英文Adaboost的全称是Adaptive Boosting。是一种有监督的集成学习。核心思想是对某一特定的训练集训练多个弱分类器，然后根据相应策略将这些弱分类器结合起来，构成最终的强分类器。
自适应提升法的核心思想是，在每次分类任务中重点关注被错误分类的样本，减少对被分类正确的样本的关注。这样逐步可以得到一个比较清晰的分类方向，即一个强分类器。

SAMME算法

算法的提出:
SAMME是一种多分类自适应提升算法。对于自适应提升法，要想在每轮训练中增大对分类错误标签的关注程度，即给误分类样本增加权重，则要保证每轮训练的错误率都小于0.5，（如果大于0.5，则在下一轮训练时会有更多的分类错误的选项）。对于二分类问题，每个样本被预测正确的概率为0.5，要达到0.5以上的正确率，是相对容易的。但是对于多分类任务来说，如果有K个类别，则被预测正确的概率就变成了1/K，要想达到0.5以上就变的更难。SAMME算法就是针对这一问题提出的。

具体算法过程见：https://blog.csdn.net/weixin_43298886/article/details/110927084

SAMME.R算法

与SAMME算法不同的是可以利用概率信息进行分类。SAMME.R算法通过损失近似的思想，将加权分类模型的概率输出信息与boosting方法相结合。SAMME.R中的字母“R”代表“Real”，意味着模型每轮迭代的输出为实数。

Adaboost.R2

利用权重分配的思想，处理实际应用中的回归问题。