机器学习实战----利用AdaBoost元算法的实现

整理一下写的非常好的关于AdaBoost算法的博客：

1.1 基于第一步，因此外层循环即为数据集特征的循环；
1.1.1 如果是按照第一个特征来划分类别，那么第一个特征点中存在节点，即树的左右分支，这个时候怎样判断是左还是右呢？
1.1.2 首先根据数据大小跟定一个阈值T，这里我们T=minx+INT*stup,即最小特征值（第一个坐标的最小值或者。。。。。）+(1,2,3,4,5.....)*步长，这个阈值随着整数值INT的改变而循环改变；大于阈值T的则为“rt”，反之则为“lt”;
1.1.3判断错误率，初始化一个5*1的列向量e，全部为1，如果预测结果和标签相同，则将初始化对应的值修改为0，最后再用一个权重向量D.T*e,这个值即为最后的错误率，如果这个错误率小于一定的阈值，即为最有的决策树。
1.1.4 这里要比较每个阈值T的结果是"rt"和"lt"的错误率，同时你还要判断大循环中第一个特征的错误率，或者第二个特征的错误率；

https://blog.csdn.net/cherdw/article/details/78144098

https://blog.csdn.net/lvsolo/article/details/51031117这篇博客关于其中的D的公式的推导和使用写的非常好，其中关于

《机器学习实战》这本书上的代码就是利用了这一公式，自己理解半天没懂，这篇博客帮了大忙。

https://blog.csdn.net/xiaxzhou/article/details/72872270这篇博客人代码完整，注释清晰。

https://blog.csdn.net/haidao2009/article/details/7514787解释清楚

推导+案例

https://blog.csdn.net/GYQJN/article/details/45501185

https://blog.csdn.net/guyuealian/article/details/70995333

https://blog.csdn.net/v_JULY_v/article/details/40718799