Adaboost实例化完全解析

本文前提假设已了解决策树和随机森林。

图片资源来自YT StatQuest。

什么是AdaBoost?

AdaBoost - Adaptive Boosting(自适应增强) - 主要应用两类分类、多类分类、多类多标签分类、大类单标签分类等分类问题; 可以用于回归但是没必要，原因是有XGBoost等在回归领域表现好不少的算法模型存在，本文主要也是结合实例探讨AdaBoost在分类问题上的算法和实现。

AdaBoost是由多个决策树桩（最简单的二分决策树）组成的森林体系（forest）：

相比于随机森林，AdaBoost主要体现出了以下随机森林不具备的特性：

1. 全部使用weak leaners - 也就是决策树桩 - 来进行分类，每个特征对应一个树桩。
2. 每个树（树桩）权重不同，权重越大对分类结果影响越大，此处的权重之和并不为一，翻译成影响力-amout of say-更合适。
3. 树桩的生成具有有序性，每一颗先前生成的树桩会影响后一颗树的生成；即后一棵树能考虑到前一棵树的错误情况。

抓住这三个关键点，就能够很好地理解和记忆AdaBoost。

如何生成Adaboost？

生成Adaboost关键就是实现Adaboost的三个特性：第一个生成决策树桩很好理解，关键问题在于产生影响力和实现有序性的原理过程，我们以此三个维度，八个样本的二类分类问题为例ÿ