特点🔗

  • 每次迭代选择一个弱分类器，然后根据弱分类器的错误率来调整样本的权重
  • 分类错误的样本权重增大，分类正确的样本权重减小
  • 然后把弱分类器和调整后的样本权重存储起来，最后把弱分类器组合起来，形成一个强分类器。
  • 串行计算，每次迭代都需要重新计算样本权重，计算量大
  • 总结"就是通过迭代对数据权重更新，进而计算出弱分类的器的alpha"
  • alpha的公式来自于计算-最小化指数损失函数（exponential loss）

图示🔗