今天知乎上被私信說我對Adaboost的通俗解釋很好理解，那我就把當初的答案貼下來，做個記錄吧，該理解沒有任何數學公式

要看數學公式的推薦每個做統計演算法和機器學習的人都會看的： 李航統計學習方法的Adaboost那一章節，完整，易懂！

我對Boosting和Adaboost的理解是：

boosting的原理就是三個臭皮匠，賽過諸葛亮一樣。把很多分類準確率很低的分類器通過更新對資料的權重，整合起來形成一個分類效果好的分類器。所以他也叫ensemble，整合方法的一種。

Adaboost就是其中的一種演算法，通過更改訓練樣本對每個分類器的權重，讓每個若分類器能互補之間不能很好分類的資料。 好比說一個公司，你只會寫程式碼，但不會運營，管理，算賬，招人，但你可以請一些會運營，管理，會計，HR的人，雖然他們不會寫程式碼，但你會啊，各自做好分類的事，形成一個牛逼的公司。

我很討厭用數學解決這些演算法，但還是簡單說下，大體就是。若第一個分類器對樣本x1,x2 的分類效果好，對x3的分類效果差，那麼第二個分類器通過一個神奇的公式，把對x3的權重增加，x1,x2的權重降低。為什麼呢？因為我們認為第一分類器已經能很好的分類x1和x2,對x3卻不行，所以我們不太需要讓第二分類器考慮x1,x2了，因為咱有第一份類器去處理他們了，所以第二個分類器就是要互補第一分類器，讓他多多考慮第一分類器無法準確分類的資料。 然後整很多這樣的分類器，每個分類器一般來說能分類一些資料不能分類一些資料，但是通過他們的基友來幫他們分類他們所不行的資料，最後大家整合在一起，形成一個超叼的分類器。最後對每個分類器給一個權重，看看他們在大分類器的重要性，大體公式是H(x)=sign(sum（權重*分類器t)),t=1,2...,N 意思就是把所有分類器的輸出加起來，取正負號，得到最後的結果