1、SVM對噪聲（如來自其他分佈的噪聲樣本）魯棒

SVM本身對噪聲具有一定的魯棒性，但是實驗證明，是當噪聲率低於一定水平的噪聲對SVM沒有太大的影響，但是隨著噪聲率的不斷增加，分類器的識別率會降低

2、在AdaBoost演算法中所有被分錯的樣本的權重更新比例相同

AdaBoost演算法中不同的訓練集是通過每個樣本對應的權重來實現的。開始時，每個樣本對應的權重是相同的，即其中N為樣本個數，在此樣本分佈下訓練出一個弱分類器。對於分類錯誤的樣本，加大其對應的權重，而對於分類正確的樣本，降低其權值，這樣分錯的樣本就被凸顯出來，從而得到一個新的樣本分佈。在新的樣本分佈下，再次對樣本進行訓練，得到弱分類器。以此類推，將所有的弱分類器重疊加起來，得到強分類器。

3、Boost和Bagging都是組合多個分類器投票的方法，二者軍事根據單個分類器的正確率決定其權重。

Bagging與bossting的區別：取樣方式不同。Bagging採用均勻取樣，而boosting根據錯誤率取樣。Bagging的各個預測函式沒有權重，而Boosting是有權重的，Baggingd的各個預測函式可以並行生成，而Boosting 的各個預測函式只能順序生成。