机器学习之AdaBoost

        Adaptive Boosting（自适应增强）是一种迭代算法，它的主要思想是：每次迭代调整样本的权重，并用更新过权重值的数据集训练下一个弱学习器，直到达到某个预定的足够小的错误率、或者达到指定的最大迭代次数之后，将各个弱学习器加权组合为最终的强学习器。         该算法每次迭代改变的是样本的权重（re-weighting），如果无法接受带权样本的基学习算法，则可进行重采样法

>>阅读原文<<