AdaBoost 作为一种经典的提升方法，可以从不同维度去分析理解它。

算法释义

AdaBoost 作为一种提升方法，通过改变训练数据的权值分布，为不同的弱分类器定义不同的权值，从而将一系列弱分类器线性最终组合成一个强分类器。

算法步骤

输入：训练集 T，弱学习算法 g(x)
输出：最终分类器 G(x)
(1) 初始化样本权值：

(2) 迭代训练一系列弱分类器：t = 1, 2,…, T
a 训练弱分类器：根据样本权值，训练得到基本分类器 g_t
b 计算分类器误差：

c 计算 g_t 的系数：

d 重新计算样本权值：

(3) 获得最终分类器 G(x)：

直观理解

AdaBoost 中比较关键的两步：1. 更新样本权值，2. 计算弱分类器系数；

1. 通过更新样本权值训练下一个弱分类器，可以理解为增加本轮分类器分类错误的样本的权值，降低本轮分类器分类正确的样本的权值，我们知道每一轮训练的损失函数是和样本权值有关的，这样可以使下一轮弱分类器更加“重视”本轮误分类的样本。
2. 从弱分类器权值的计算公式可以看出，错误率 e_t 越低，其权值越高，从而在最终分类器中占的比重越高，这也符合我们对线性组合分类器的直观理解。

从前向分布算法理解 AdaBoost

加法模型

其中，g_t(x;γ_t) 为基函数，γ_t 为基函数的参数，α_t 为基函数的系数，这种由一系列基函数线性组合生成最终函数的模型称为加法模型。直接用损失函数最小化去解加法模型中的参数是一个复杂的问题，因此一般采用前向分步算法。

前向分步算法

前向分步算法的思想是：每一步学习一个基函数及其系数，使得最终函数逼近损失函数最小化的目标。

算法步骤

输入：训练数据集 T，损失函数 L(y, f(x))，基函数集 {g(x; γ)}
输出：加法模型 f(x)
(1) 初始化 f₀(x) = 0
(2) 迭代训练：t = 1,2,…,T
a. 最小化经验损失函数，得到基函数及其参数

b. 更新 f_t：

(3) 得到加法模型：

理解 AdaBoost

从上面前向分步算法的算法步骤中不难看出其和 AdaBoost 算法很相似，其实 AdaBoost 就是前向分步算法的特例。更具体地，AdaBoost 算法是模型为加法模型、损失函数为指数函数、学习算法为前向分步算法的二分类学习方法。从加法模型和前向分步算法层面看，AdaBoost 的算法过程和它们如出一辙，但是如何理解 AdaBoost 算法的损失函数是指数函数呢？
假设 AdaBoost 是损失函数为指数函数的前向分步算法，当使用 AdaBoost 算法经过 t-1 轮迭代，学习算法已经学得 f_t-1，那么在第 t 轮迭代，需要计算的是使指数风险函数最小化的 g_t 和 α_t-1：

综上所述，AdaBoost 算法是模型为加法模型、损失函数为指数函数、学习算法为前向分步算法的学习方法。

理论保障

有学者曾证明过 Adaboost 算法的泛化性能：

并且只要弱分类器的每轮的误分类率都小于 0.5，在 T = O(logN) 轮之后，E_in 就会等于0，那么上式右边的第二项也会很小，因此 E_out 也会很小。

参考资料

《机器学习技法》，林轩田
《统计学习方法》，李航