Adaboost是一種弱分類器轉化為強分類器的演算法，其對於每個弱分類器賦予一個權重，最終將這些帶權弱分類器線性組合成一個強分類器。

問題就轉化為如何獲得權值？

基本的步驟如下

Step1：為每個樣本賦予一個權值

Step2：利用訓練資料第一個弱分類器

Step3：得到第一個弱分類器的分類誤差率

Step4：利用分類誤差率得到第一個弱分類器的權重

Step5：對樣本的權重進行更新

Step6：訓練下一個弱分類器，直到都訓練完畢

Step7：將帶權弱分類器進行線性組合得到一個強分類器

這裡有人肯定會困惑，對於樣本賦予一定的權重是什麼意思？對於分類器賦予權重尚且可以理解為一定的投票機制，對樣本為啥要賦予權重？

在這裡對樣本賦予權重實際是改變樣本的分佈情況。如果現在一個樣本在弱分類器1中被分錯了，那麼我提升該樣本的概率,所謂提升概率，其實就是加強該樣本在下一次輸入中出現的次數，那麼該樣本會被下一個弱分類器加強關注，他就有極大的可能被分到正確的一類。換句話說，分類問題被很多弱分類器分而治之。最終將許多帶權弱分類器組合，相當於投票，每個分類器有一定的權重，得到一個正確的結果

Adaboost是資料驅動，錯誤驅動的分類器，某種意義有類似於神經網路的權值更新方法。