直接看大神写的！！ https://blog.csdn.net/u012328159/article/details/89847193
后面写的内容只是为了给自己留个印象。
这篇随笔不会具体描述Adaboost算法实现过程，只是大概说明算法思想。
在bagging中，算法是并行训练多个独立的分类器来集成，但在Adaboost算法中训练新的分类器都是基于前一个分类器，同时每次训练后训练集中的样本权重会发生变化，训练集不变，但训练样本的权重却发生变化。首先使用一个弱算法(比如深度只为1的决策树)对具有均匀权值分布的训练集进行训练得到一个基分类器。然后，增加被误分类训练实例的相对权重。接着用更新后的训练集训练第二个基分类器，再对训练集更新实例权重，以此类推。
每个分类器会得到与他们的训练正确率成正相关的权重，即分类误差率越小的分类器在最终分类器的作用越大。在预测一个新样本时，AdaBoost算法会计算所有基分类器的预测并各自乘上他们的权重。最终的预测是综合获得最多权重投票的类别（加权投票）。
预测与bagging类似，唯一的不同是每个基分类器也有了权重。
因此整个算法的三个问题在于：
1.每个分类器的权重如何获得
2.如何提高被误分类的样本的权重。
3.算法如何才能对权重高的样本更加重视